importONNXNetwork

Импорт предварительно обученной сети ONNX

Синтаксис

net = importONNXNetwork(modelfile,'OutputLayerType',outputtype)

net = importONNXNetwork(modelfile,'OutputLayerType',outputtype,'Classes',classes)

Описание

net = importONNXNetwork(modelfile,'OutputLayerType',outputtype) импортирует предварительно обученную сеть из файла ONNX™ (Open Neural Network Exchange) modelfile и задает тип выходного слоя импортированной сети.

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.

пример

net = importONNXNetwork(modelfile,'OutputLayerType',outputtype,'Classes',classes) дополнительно задает классы для классификационной сети.

Примеры

свернуть все

Загрузите и установите Deep Learning Toolbox Converter для формата модели ONNX

Этот пример использует:

Загрузите и установите пакет поддержки Deep Learning Toolbox Converter для ONNX Model Format.

Напечатать importONNXNetwork в командной строке.

importONNXNetwork

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';
classes = ["airplane" "automobile" "bird" "cat" "dee" "dog" "frog" "horse" "ship" "truck"];
net = importONNXNetwork(modelfile,'OutputLayerType','classification','Classes',classes)

net = 

  DAGNetwork with properties:

         Layers: [77×1 nnet.cnn.layer.Layer]
    Connections: [85×2 table]

Импорт сети ONNX

Этот пример использует:

Открыть Live Script

Импорт невязки нейронной сети, обученной на CIFAR-10 наборе данных. Укажите файл, содержащий сеть ONNX, ее выход и выходные классы.

modelfile = 'cifarResNet.onnx';
classes = ["airplane" "automobile" "bird" "cat" "deer" "dog" "frog" "horse" "ship" "truck"];
net = importONNXNetwork(modelfile,'OutputLayerType','classification','Classes',classes)

net = 
  DAGNetwork with properties:

         Layers: [77×1 nnet.cnn.layer.Layer]
    Connections: [85×2 table]
     InputNames: {'Input_input'}
    OutputNames: {'ClassificationLayer_softmax'}

Анализ импортированной сети.

analyzeNetwork(net)

Входные параметры

свернуть все

`modelfile` - Имя файла модели ONNX
вектор символов | строковый скаляр

Имя файла модели ONNX, содержащего сеть, заданное в виде вектора символов или строкового скаляра. Файл должен быть в текущей папке, в папке на MATLAB^® или необходимо указать полный или относительный путь к файлу.

Пример: 'cifarResNet.onnx'

`outputtype` - Тип выходного слоя
`'classification'` | `'regression'` | `'pixelclassification'`

Тип выходного слоя, который функция добавляет в конец импортированной сети, заданный как 'classification', 'regression', или 'pixelclassification'. Использование 'pixelclassification' добавляет pixelClassificationLayer (Computer Vision Toolbox) объект (требует Computer Vision Toolbox™).

Если сеть в modelfile имеет несколько выходов, тогда вы не можете задать типы выходных слоев, используя этот аргумент. Использовать importONNXLayers вместо этого. importONNXLayers вставляет слои заполнителя для выходов. После импорта можно найти и заменить слои-заполнители при помощи findPlaceholderLayers и replaceLayer, соответственно.

Пример: 'regression'

`classes` - Классы выходного слоя
`'auto'` (по умолчанию) | категориальный вектор | строковые массивы | массив ячеек из векторов символов

Классы выходного слоя, заданные как категориальный вектор, строковые массивы, массив ячеек из векторов символов или 'auto'. Если Classes является 'auto', затем программное обеспечение устанавливает классы на categorical(1:N), где N количество классов. Если вы задаете строковые массивы или массив ячеек векторов символов str, затем программное обеспечение устанавливает классы выходного слоя равными categorical(str,str).

Типы данных: char | categorical | string | cell

Выходные аргументы

свернуть все

`net` - Предварительно обученная сеть
`DAGNetwork` объект

Предварительно обученная сеть, возвращается как DAGNetwork объект.

Ограничения

importONNXNetwork 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.

Подробнее о

свернуть все

Поддерживаемые слои ONNX

importONNXNetwork поддерживает следующие слои ONNX с некоторыми ограничениями:

Слой ONNX	Слой пакета Deep Learning Toolbox
`Add`	`additionLayer` или `nnet.onnx.layer.ElementwiseAffineLayer`
`AveragePool`	`averagePooling2dLayer`
`BatchNormalization`	`batchNormalizationLayer`
`Concat`	`concatenationLayer`
`Constant`	Нет (Импортировано как веса)
`Conv`*	`convolution2dLayer`
`ConvTranspose`	`transposedConv2dLayer`
`Dropout`	`dropoutLayer`
`Elu`	`eluLayer`
`Gemm`	`fullyConnectedLayer` если сеть ONNX является регулярной, в противном случае `nnet.onnx.layer.FlattenLayer` далее следуют `convolution2dLayer`
`GlobalAveragePool`	`globalAveragePooling2dLayer`
`GlobalMaxPool`	`globalMaxPooling2dLayer`
`GRU`	`gruLayer`
`InstanceNormalization`	`groupNormalizationLayer` с `numGroups` задается как `"channel-wise"`
`LeakyRelu`	`leakyReluLayer`
`LRN`	`CrossChannelNormalizationLayer`
`LSTM`	`lstmLayer` или `bilstmLayer`
`MatMul`	`fullyConnectedLayer` если сеть ONNX является регулярной, в противном случае `convolution2dLayer`
`MaxPool`	`maxPooling2dLayer`
`Mul`	`multiplicationLayer`
`Relu`	`reluLayer` или `clippedReluLayer`
`Sigmoid`	`sigmoidLayer`
`Softmax`	`softmaxLayer`
`Sum`	`additionLayer`
`Tanh`	`tanhLayer`

* Если pads атрибут Conv оператор является вектором с двумя элементами [p1,p2], importONNXNetwork импортирует Conv как convolution2dLayer с аргументом имя-значение 'Padding' задается как [p1,p2,p1,p2].

Слой ONNX	Пользовательский слой импортера ONNX
`Clip`	`nnet.onnx.layer.ClipLayer`
`Div`	`nnet.onnx.layer.ElementwiseAffineLayer`
`Flatten`	`nnet.onnx.layer.FlattenLayer` или `nnet.onnx.layer.Flatten3dLayer`
`Identity`	`nnet.onnx.layer.IdentityLayer`
`ImageScaler`	`nnet.onnx.layer.ElementwiseAffineLayer`
`PRelu`	`nnet.onnx.layer.PReluLayer`
`Reshape`	`nnet.onnx.layer.FlattenLayer`
`Sub`	`nnet.onnx.layer.ElementwiseAffineLayer`

Слой ONNX	Image Processing Toolbox™
`DepthToSpace`	`depthToSpace2dLayer`(Набор Image Processing Toolbox)
`Resize`	`resize2dLayer` (Image Processing Toolbox) или `resize3dLayer`(Набор Image Processing Toolbox)
`SpaceToDepth`	`spaceToDepthLayer`(Набор Image Processing Toolbox)
`Upsample`	`resize2dLayer` (Image Processing Toolbox) или `resize3dLayer`(Набор Image Processing Toolbox)

Совет

Если сеть ONNX содержит слой, который не поддерживает Deep Learning Toolbox Converter для ONNX Model Format (см. «Поддерживаемые слои ONNX»), то importONNXNetwork возвращает сообщение об ошибке. В этом случае вы все еще можете использовать importONNXLayers для импорта сетевой архитектуры и весов.
Можно импортировать сеть ONNX с несколькими входами и одним выходом, используя 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.
- Чтобы изменить размер изображений, используйте imresize. Для примера, imresize(image,[227,227,3]).
- Для преобразования изображений из RGB в формат BGR используйте flip. Для примера, flip(image,3).
Для получения дополнительной информации о предварительной обработке изображений для обучения и предсказания, см. «Предварительная обработка изображений для глубокого обучения».

Вопросы совместимости

расширить все

`'ClassNames'` опция будет удалена

Не рекомендуемый запуск в R2018b

'ClassNames' будет удалено. Использование 'Classes' вместо этого. Чтобы обновить код, замените все образцы 'ClassNames' с 'Classes'. Существуют некоторые различия между соответствующими свойствами в выходных слоях классификации, которые требуют дополнительных обновлений вашего кода.

The ClassNames свойство выходного слоя классификации является массивом ячеек из векторов символов. The Classes свойство является категориальным массивом. Как использовать значение Classes с функциями, которые требуют входа массива ячеек, преобразуйте классы используя cellstr функция.

Ссылки

[1] Откройте обмен нейронными сетями. https://github.com/onnx/.

[2] ONNX. https://onnx.ai/.

См. также

Темы

Введенный в R2018a

Документация

importONNXNetwork

Синтаксис

Описание

Примеры

Загрузите и установите Deep Learning Toolbox Converter для формата модели ONNX

Импорт сети ONNX

Входные параметры

`modelfile` - Имя файла модели ONNX
вектор символов | строковый скаляр

`outputtype` - Тип выходного слоя
`'classification'` | `'regression'` | `'pixelclassification'`

`classes` - Классы выходного слоя
`'auto'` (по умолчанию) | категориальный вектор | строковые массивы | массив ячеек из векторов символов

Выходные аргументы

`net` - Предварительно обученная сеть
`DAGNetwork` объект

Ограничения

Подробнее о

Поддерживаемые слои ONNX

Совет

Вопросы совместимости

`'ClassNames'` опция будет удалена

Ссылки

См. также

Темы

Документация по Deep Learning Toolbox

Поддержка

Документация

importONNXNetwork

Синтаксис

Описание

Примеры

Загрузите и установите Deep Learning Toolbox Converter для формата модели ONNX

Импорт сети ONNX

Входные параметры

modelfile - Имя файла модели ONNX вектор символов | строковый скаляр

outputtype - Тип выходного слоя 'classification' | 'regression' | 'pixelclassification'

classes - Классы выходного слоя 'auto' (по умолчанию) | категориальный вектор | строковые массивы | массив ячеек из векторов символов

Выходные аргументы

net - Предварительно обученная сеть DAGNetwork объект

Ограничения

Подробнее о

Поддерживаемые слои ONNX

Совет

Вопросы совместимости

'ClassNames' опция будет удалена

Ссылки

См. также

Темы

Документация по Deep Learning Toolbox

Поддержка

`modelfile` - Имя файла модели ONNX
вектор символов | строковый скаляр

`outputtype` - Тип выходного слоя
`'classification'` | `'regression'` | `'pixelclassification'`

`classes` - Классы выходного слоя
`'auto'` (по умолчанию) | категориальный вектор | строковые массивы | массив ячеек из векторов символов

`net` - Предварительно обученная сеть
`DAGNetwork` объект

`'ClassNames'` опция будет удалена