Импортируйте предварительно обученную сеть TensorFlow в сохраненном формате модели как LayerGraph объект. Затем соберите импортированные слои в DAGNetwork объект и используйте собранную сеть для классификации изображения.

Задайте папку модели.

if ~exist('digitsDAGnet','dir')
    unzip('digitsDAGnet.zip')
end
modelFolder = './digitsDAGnet';

Задайте имена классов.

classNames = {'0','1','2','3','4','5','6','7','8','9'};

Импортируйте слои и веса сети TensorFlow в сохраненном формате модели. По умолчанию importTensorFlowLayers импортирует сеть как LayerGraph объект, совместимый с DAGNetwork объект. Укажите тип выхода слоя для задачи классификации изображений.

lgraph = importTensorFlowLayers(modelFolder,'OutputLayerType','classification')

Importing the saved model...
Translating the model, this may take a few minutes...
Finished translation

lgraph = 
  LayerGraph with properties:

         Layers: [13×1 nnet.cnn.layer.Layer]
    Connections: [13×2 table]
     InputNames: {'input_1'}
    OutputNames: {'ClassificationLayer_activation_1'}

Отображение последнего слоя импортированной сети. Этот выход показывает, что importTensorFlowLayers добавляет ClassificationOutputLayer до конца сетевой архитектуры.

lgraph.Layers(end)

ans = 
  ClassificationOutputLayer with properties:

            Name: 'ClassificationLayer_activation_1'
         Classes: 'auto'
    ClassWeights: 'none'
      OutputSize: 'auto'

   Hyperparameters
    LossFunction: 'crossentropyex'

Слой классификации не содержит классы, поэтому перед сборкой сети необходимо указать их. Если вы не задаете классы, то программное обеспечение автоматически устанавливает классы на 1, 2..., N, где N количество классов.

Классификационный слой имеет имя 'ClassificationLayer_activation_1'. Установите классы равными classNames а затем замените импортированный слой классификации на новый.

cLayer = lgraph.Layers(end);
cLayer.Classes = classNames;
lgraph = replaceLayer(lgraph,'ClassificationLayer_activation_1',cLayer);

Собрать график слоев можно используя команду assembleNetwork для возврата DAGNetwork объект.

net = assembleNetwork(lgraph)

net = 
  DAGNetwork with properties:

         Layers: [13×1 nnet.cnn.layer.Layer]
    Connections: [13×2 table]
     InputNames: {'input_1'}
    OutputNames: {'ClassificationLayer_activation_1'}

Считайте изображение, которое вы хотите классифицировать.

digitDatasetPath = fullfile(toolboxdir('nnet'),'nndemos','nndatasets','DigitDataset');
I = imread(fullfile(digitDatasetPath,'5','image4009.png'));

Классификация изображения с помощью импортированной сети.

label = classify(net,I);

Отобразите изображение и результат классификации.

imshow(I)
title(['Classification result ' classNames{label}])

Импортируйте предварительно обученную сеть TensorFlow в сохраненном формате модели как LayerGraph объект, совместимый с dlnetwork объект. Затем преобразуйте LayerGraph объект в dlnetwork для классификации изображения.

Задайте папку модели.

if ~exist('digitsDAGnet','dir')
    unzip('digitsDAGnet.zip')
end
modelFolder = './digitsDAGnet';

Задайте имена классов.

classNames = {'0','1','2','3','4','5','6','7','8','9'};

Импортируйте сеть TensorFlow как слои, совместимые с dlnetwork объект.

lgraph = importTensorFlowLayers(modelFolder,'TargetNetwork','dlnetwork')

Importing the saved model...
Translating the model, this may take a few minutes...
Finished translation

lgraph = 
  LayerGraph with properties:

         Layers: [12×1 nnet.cnn.layer.Layer]
    Connections: [12×2 table]
     InputNames: {'input_1'}
    OutputNames: {1×0 cell}

Прочтите изображение, которое вы хотите классифицировать, и отобразите размер изображения. Изображение представляет собой полутоновое (одноканальное) изображение с размером 28 на 28 пикселей.

digitDatasetPath = fullfile(toolboxdir('nnet'),'nndemos','nndatasets','DigitDataset');
I = imread(fullfile(digitDatasetPath,'5','image4009.png'));
size(I)

ans = 1×2

    28    28

Преобразуйте импортированный график слоев в dlnetwork объект.

dlnet = dlnetwork(lgraph);

Отображение входа размера сети. В этом случае размер изображения совпадает с размером входа сети. Если они не совпадают, необходимо изменить размер изображения при помощи imresize(I, netInputSize(1:2)).

dlnet.Layers(1).InputSize

ans = 1×3

    28    28     1

Преобразуйте изображение в dlarray. Отформатируйте изображения с помощью размерностей 'SSCB' (пространственный, пространственный, канальный, пакетный). В этом примере размер партии равен 1, и его можно опустить ('SSC').

I_dlarray = dlarray(single(I),'SSCB');

Классифицируйте образец изображения и найдите предсказанную метку.

prob = predict(dlnet,I_dlarray);
[~,label] = max(prob);

Отобразите изображение и результат классификации.

imshow(I)
title(['Classification result ' classNames{label}])

Импортируйте предварительно обученную сеть TensorFlow в сохраненном формате модели как LayerGraph объект. Затем соберите импортированные слои в DAGNetwork объект. Импортированная сеть содержит слои, которые не поддерживаются для преобразования во встроенные слои MATLAB. Программа автоматически генерирует пользовательские слои при импорте этих слоев.

Этот пример использует функцию helper findCustomLayers. Чтобы просмотреть код для этой функции, смотрите Helper Function.

Задайте папку модели.

if ~exist('digitsDAGnetwithnoise','dir')
    unzip('digitsDAGnetwithnoise.zip')
end
modelFolder = './digitsDAGnetwithnoise';

Задайте имена классов.

classNames = {'0','1','2','3','4','5','6','7','8','9'};

Импортируйте слои и веса сети TensorFlow в сохраненном формате модели. По умолчанию importTensorFlowLayers импортирует сеть как LayerGraph объект, совместимый с DAGNetwork объект. Укажите тип выхода слоя для задачи классификации изображений.

lgraph = importTensorFlowLayers(modelFolder,'OutputLayerType','classification');

Importing the saved model...
Translating the model, this may take a few minutes...
Finished translation

Если импортированная сеть содержит слои, не поддерживаемые для преобразования во встроенные слои MATLAB, то importTensorFlowLayers может автоматически сгенерировать пользовательские слои вместо этих слоев. importTensorFlowLayers сохраняет каждый сгенерированный пользовательский слой в отдельное .m файл в пакете +digitsDAGnetwithnoise в текущей папке.

Найдите индексы автоматически сгенерированных пользовательских слоев, используя функцию helper findCustomLayers, и отобразить пользовательские слои.

ind = findCustomLayers(lgraph.Layers,'+digitsDAGnetwithnoise');
lgraph.Layers(ind)

ans = 
  2×1 Layer array with layers:

     1   'gaussian_noise_1'   GaussianNoise   digitsDAGnetwithnoise.kGaussianNoise1Layer3766
     2   'gaussian_noise_2'   GaussianNoise   digitsDAGnetwithnoise.kGaussianNoise2Layer3791

Слой классификации не содержит классы, поэтому перед сборкой сети необходимо указать их. Если вы не задаете классы, то программное обеспечение автоматически устанавливает классы на 1, 2..., N, где N количество классов.

Классификационный слой имеет имя 'ClassificationLayer_activation_1'. Установите классы равными classNames а затем замените импортированный слой классификации на новый.

cLayer = lgraph.Layers(end);
cLayer.Classes = classNames;
lgraph = replaceLayer(lgraph,'ClassificationLayer_activation_1',cLayer);

Собрать график слоев можно используя команду assembleNetwork. Функция возвращает DAGNetwork объект, который готов к использованию для предсказания.

net = assembleNetwork(lgraph)

net = 
  DAGNetwork with properties:

         Layers: [15×1 nnet.cnn.layer.Layer]
    Connections: [15×2 table]
     InputNames: {'input_1'}
    OutputNames: {'ClassificationLayer_activation_1'}

function indices = findCustomLayers(layers,PackageName)

s = what(['.\' PackageName]);

indices = zeros(1,length(s.m));
for i = 1:length(layers)
    for j = 1:length(s.m)
        if strcmpi(class(layers(i)),[PackageName(2:end) '.' s.m{j}(1:end-2)])
            indices(j) = i;
        end
    end
end

end