Импортируйте предварительно обученную сеть TensorFlow в сохраненном формате модели как DAGNetwork Объект и используйте импортированную 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 сеть TensorFlow в сохраненном формате модели. По умолчанию importTensorFlowNetwork импортирует сеть как DAGNetwork объект. Укажите тип выхода слоя для задачи классификации изображений.

net = importTensorFlowNetwork(modelFolder,'OutputLayerType','classification','Classes',classNames)

Importing the saved model...
Translating the model, this may take a few minutes...
Finished translation. Assembling network...
Import finished.

net = 
  DAGNetwork with properties:

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

Постройте график сетевой архитектуры.

plot(net)
title('DAG Network Architecture')

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

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)).

net.Layers(1).InputSize

ans = 1×3

    28    28     1

Классификация изображения с помощью предварительно обученной сети.

label = classify(net,I);

Отобразите изображение и результат классификации.

imshow(I)
title(['Classification result ' char(label)])

Импортируйте предварительно обученную сеть TensorFlow в формате сохраненной модели как dlnetwork Объект и используйте импортированную сеть для предсказания меток классов.

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 в сохраненном формате модели как dlnetwork объект.

net = importTensorFlowNetwork(modelFolder,'TargetNetwork','dlnetwork')

Importing the saved model...
Translating the model, this may take a few minutes...
Finished translation. Assembling network...
Import finished.

net = 
  dlnetwork with properties:

         Layers: [12×1 nnet.cnn.layer.Layer]
    Connections: [12×2 table]
     Learnables: [6×3 table]
          State: [0×3 table]
     InputNames: {'input_1'}
    OutputNames: {'activation_1'}
    Initialized: 1

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

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)).

netInputSize = net.Layers(1).InputSize

netInputSize = 1×3

    28    28     1

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

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

Классифицируйте образец изображения и найдите предсказанную метку.

prob = predict(net,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 DAGNetwork Объект и используйте импортированную сеть для классификации изображения. 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 сеть TensorFlow в сохраненном формате модели. По умолчанию importTensorFlowNetwork импортирует сеть как DAGNetwork объект. Укажите тип выхода слоя для задачи классификации изображений.

net = importTensorFlowNetwork(modelFolder,'OutputLayerType','classification','Classes',classNames);

Importing the saved model...
Translating the model, this may take a few minutes...
Finished translation. Assembling network...
Import finished.

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

Найдите индексы автоматически сгенерированных пользовательских слоев с помощью функции helper findCustomLayers, и отобразить пользовательские слои.

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

ans = 
  2×1 Layer array with layers:

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

Постройте график сетевой архитектуры.

plot(net)
title('DAG Network Architecture')

Считайте изображение, которое вы хотите классифицировать.

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

Классификация изображения с помощью предварительно обученной сети.

label = classify(net,I);

Отобразите изображение и результат классификации.

imshow(I)
title(['Classification result ' char(label)])

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