Импорт слоев из сети ONNX
layers = importONNXLayers(modelfile)modelfile. Можно обучить импортированные слои на новом наборе данных или собрать слои в сеть, готовую к предсказанию.
Эта функция требует пакета поддержки Deep Learning Toolbox™ Converter для формата модели ONNX. Если этот пакет поддержки не установлен, то функция предоставляет ссылку на загрузку.
layers = importONNXLayers(modelfile,Name,Value)
Для примера, importONNXLayers(modelfile,'ImportWeights',false) импортирует сетевую архитектуру без весов из файла modelfile.
Загрузите и установите пакет поддержки Deep Learning Toolbox Converter для ONNX Model Format.
Напечатать importONNXLayers в командной строке.
importONNXLayers
Если Deep Learning Toolbox Converter для ONNX Model Format не установлен, то функция предоставляет ссылку на необходимый пакет поддержки в Add-On Explorer. Чтобы установить пакет поддержки, щелкните ссылку и нажмите кнопку Install. Проверьте, что установка успешна, импортировав сеть из файла модели 'cifarResNet.onnx' в командной строке. Если пакет поддержки установлен, то функция возвращает DAGNetwork объект.
modelfile = 'cifarResNet.onnx'; layers = importONNXLayers(modelfile,'OutputLayerType','classification')
layers =
LayerGraph with properties:
Layers: [77×1 nnet.cnn.layer.Layer]
Connections: [85×2 table]Импортируйте архитектуру и веса остаточной нейронной сети, обученной на CIFAR-10 наборе данных. Укажите файл, содержащий сеть ONNX, и тип выходного слоя для добавления к импортированной сети.
modelfile = 'cifarResNet.onnx'; lgraph = importONNXLayers(modelfile, ... 'OutputLayerType','classification', ... 'ImportWeights',true)
lgraph =
LayerGraph with properties:
Layers: [77×1 nnet.cnn.layer.Layer]
Connections: [85×2 table]
InputNames: {'Input_input'}
OutputNames: {'ClassificationLayer_softmax'}
Анализ импортированной сетевой архитектуры.
analyzeNetwork(lgraph)
Импортируйте сеть ONNX, которая имеет несколько выходов при помощи importONNXLayers. Функция вставляет слои заполнителя для выходов. После импорта можно найти и заменить слои при помощи findPlaceholderLayers и replaceLayer, соответственно.
Укажите сетевой файл, из которого можно импортировать слои и веса.
modelfile = 'digitsMIMO.onnx';Сеть в digitsMIMO.onnx имеет два выходных слоя: один классификационный слой для классификации цифр и один регрессионый слой для вычисления средней квадратичной невязки для предсказанных углов цифр. Импортируйте слои и веса из modelfile.
layers = importONNXLayers('digitsMIMO.onnx','ImportWeights',true)
Warning: ONNX network has multiple outputs. importONNXLayers inserts placeholder layers for the outputs. Find and replace the layers by using findPlaceholderLayers and replaceLayer, respectively.
layers =
LayerGraph with properties:
Layers: [19×1 nnet.cnn.layer.Layer]
Connections: [19×2 table]
InputNames: {'Input_input'}
OutputNames: {1×0 cell}
importONNXLayers отображает предупреждение и вставляет слои-заполнители для выхода слоев.
Постройте график графика слоев с помощью plot.
plot(layers)
График слоев имеет два выходных слоя: Output_fc_1_Flatten и Output_sm_1. Эти два слоя являются заполнителями для выходов. Можно проверить слои заполнителя путем просмотра Layers свойство или при помощи findPlaceholderLayers функция.
layers.Layers
ans =
19×1 Layer array with layers:
1 'Input_input' Image Input 28×28×1 images
2 'conv_1' Convolution 16 5×5×1 convolutions with stride [1 1] and padding [2 2 2 2]
3 'BN_1' Batch Normalization Batch normalization with 16 channels
4 'relu_1' ReLU ReLU
5 'conv_2' Convolution 32 1×1×16 convolutions with stride [2 2] and padding [0 0 0 0]
6 'conv_3' Convolution 32 3×3×16 convolutions with stride [2 2] and padding [1 1 1 1]
7 'BN_2' Batch Normalization Batch normalization with 32 channels
8 'relu_2' ReLU ReLU
9 'conv_4' Convolution 32 3×3×32 convolutions with stride [1 1] and padding [1 1 1 1]
10 'BN_3' Batch Normalization Batch normalization with 32 channels
11 'relu_3' ReLU ReLU
12 'plus_1' Addition Element-wise addition of 2 inputs
13 'fc_1' Convolution 1 14×14×32 convolutions with stride [1 1] and padding [0 0 0 0]
14 'fc_2' Convolution 10 14×14×32 convolutions with stride [1 1] and padding [0 0 0 0]
15 'sm_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order
16 'sm_1' Softmax softmax
17 'Output_sm_1' PLACEHOLDER LAYER Placeholder for 'Output' ONNX operator
18 'fc_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order
19 'Output_fc_1_Flatten' PLACEHOLDER LAYER Placeholder for 'Output' ONNX operator
placeholderLayers = findPlaceholderLayers(layers)
placeholderLayers =
2×1 PlaceholderOutputLayer array with layers:
1 'Output_sm_1' PLACEHOLDER LAYER Placeholder for 'Output' ONNX operator
2 'Output_fc_1_Flatten' PLACEHOLDER LAYER Placeholder for 'Output' ONNX operator
Создайте выходные слои, чтобы заменить слои-заполнители. Сначала создайте слой классификации с именем Output_sm_1. Задайте классы выходного слоя следующим 0, 1..., 9. Если вы не задаете классы, то программное обеспечение автоматически устанавливает их на 1, 2..., N, где N количество классов.
output1 = classificationLayer('Name','Output_sm_1','Classes',string(0:9));
Создайте слой регрессии с именем Output_fc_1_Flatten.
output2 = regressionLayer('Name','Output_fc_1_Flatten');
Замените заполнитель слоев на output1 и output2 использование replaceLayer.
layers = replaceLayer(layers,'Output_sm_1',output1); layers = replaceLayer(layers,'Output_fc_1_Flatten',output2);
Отобразите Layers свойство графика слоев для подтверждения замены.
layers.Layers
ans =
19×1 Layer array with layers:
1 'Input_input' Image Input 28×28×1 images
2 'conv_1' Convolution 16 5×5×1 convolutions with stride [1 1] and padding [2 2 2 2]
3 'BN_1' Batch Normalization Batch normalization with 16 channels
4 'relu_1' ReLU ReLU
5 'conv_2' Convolution 32 1×1×16 convolutions with stride [2 2] and padding [0 0 0 0]
6 'conv_3' Convolution 32 3×3×16 convolutions with stride [2 2] and padding [1 1 1 1]
7 'BN_2' Batch Normalization Batch normalization with 32 channels
8 'relu_2' ReLU ReLU
9 'conv_4' Convolution 32 3×3×32 convolutions with stride [1 1] and padding [1 1 1 1]
10 'BN_3' Batch Normalization Batch normalization with 32 channels
11 'relu_3' ReLU ReLU
12 'plus_1' Addition Element-wise addition of 2 inputs
13 'fc_1' Convolution 1 14×14×32 convolutions with stride [1 1] and padding [0 0 0 0]
14 'fc_2' Convolution 10 14×14×32 convolutions with stride [1 1] and padding [0 0 0 0]
15 'sm_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order
16 'sm_1' Softmax softmax
17 'Output_sm_1' Classification Output crossentropyex with '0' and 9 other classes
18 'fc_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order
19 'Output_fc_1_Flatten' Regression Output mean-squared-error
Собрать график слоев можно используя команду assembleNetwork. Функция возвращает DAGNetwork объект, который готов к использованию для предсказания.
assembledNet = assembleNetwork(layers)
assembledNet =
DAGNetwork with properties:
Layers: [19×1 nnet.cnn.layer.Layer]
Connections: [19×2 table]
InputNames: {'Input_input'}
OutputNames: {'Output_sm_1' 'Output_fc_1_Flatten'}
importONNXLayers поддерживает версии ONNX следующим образом:
Функция поддерживает промежуточное представление ONNX версии 6.
Функция полностью поддерживает наборы операторов ONNX 6, 7, 8 и 9.
Функция предлагает ограниченную поддержку аппаратов оператора ONNX 10 и 11.
Примечание
При импорте экспортированной сети слои повторно импортированной сети могут отличаться от исходной сети и не поддерживаться.
Если сеть ONNX содержит слой, который не поддерживает Deep Learning Toolbox Converter для ONNX Model Format (см. «Поддерживаемые слои ONNX»), то importONNXLayers вставляет слой заполнителя вместо неподдерживаемого слоя. Чтобы найти имена и индексы неподдерживаемых слоев в сети, используйте findPlaceholderLayers функция. Затем можно заменить слой-заполнитель новым слоем, который вы задаете. Чтобы заменить слой, используйте replaceLayer. Для получения примера смотрите Импорт и Сборка сети ONNX с несколькими выходами.
Можно импортировать сеть ONNX с несколькими входами и несколькими выходами. Если сеть имеет несколько входов и один выход, используйте importONNXNetwork. Если сеть имеет несколько выходов, используйте importONNXLayers. importONNXLayers функция вставляет местозаполнитель слоев для выходов. После импорта можно найти и заменить слои-заполнители при помощи findPlaceholderLayers и replaceLayer, соответственно. Для получения примера смотрите Импорт и Сборка сети ONNX с несколькими выходами. Чтобы узнать о нейронной сети для глубокого обучения с несколькими входами и несколькими выходами, смотрите Multiple-Input и Multiple-Output Networks.
Чтобы использовать предварительно обученную сеть для предсказания или передачи обучения на новых изображениях, необходимо предварительно обработать изображения так же, как были предварительно обработаны изображения, которые использовались для обучения импортированной модели. Наиболее распространенными этапами предварительной обработки являются изменение размера изображений, вычитание средних значений изображений и преобразование изображений из BGR-изображений в RGB.
Для получения дополнительной информации о предварительной обработке изображений для обучения и предсказания, см. «Предварительная обработка изображений для глубокого обучения».
assembleNetwork | exportONNXNetwork | findPlaceholderLayers | importCaffeLayers | importCaffeNetwork | importKerasLayers | importKerasNetwork | importONNXFunction | importONNXNetwork | importTensorFlowLayers | importTensorFlowNetwork | replaceLayer