Загрузите данные изображения

Загрузите выборочные данные цифры как datastore изображений. imageDatastore автоматически помечает изображения на основе имен папок и хранит данные как ImageDatastore объект.

digitDatasetPath = fullfile(matlabroot,"toolbox","nnet","nndemos", ...
    "nndatasets","DigitDataset");
imds = imageDatastore(digitDatasetPath, ...
    IncludeSubfolders=true,LabelSource="foldernames");

Для воспроизводимости задайте seed для генератора случайных чисел MATLAB. Случайным образом выберите восемь изображений от datastore изображений, создайте массив изображений inputIms, и отобразите выбранные изображения при помощи montage (Image Processing Toolbox).

rng("default")
perm = randperm(10000,8);
for i = 1:8
    inputIms(:,:,:,i) = imread(imds.Files{perm(i)});
end
montage(inputIms,size=[1 NaN]);

Импортируйте предварительно обученную сеть TensorFlow

Задайте папку модели, которая содержит предварительно обученную сеть digitsDAGnetwithnoise в сохраненном формате модели. digitsDAGnetwithnoise может классифицировать изображения цифр.

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.

net = importTensorFlowNetwork(modelFolder,Classes=classNames);

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

Анализируйте импортированную сеть. analyzeNetwork отображает интерактивный график сетевой архитектуры и таблицу, содержащую информацию о слоях сети.

analyzeNetwork(net)

Импортированная сеть содержит слои, которые не поддерживаются для преобразования на встроенные слои MATLAB. Программное обеспечение автоматически генерирует пользовательские слои gaussian_noise_1 и gaussian_noise_2. Функциональный importTensorFlowNetwork сохраняет каждый сгенерированный пользовательский слой в отдельный .m файл в пакете +digitsDAGnetwithnoise в текущей папке. Для получения дополнительной информации об этих сгенерированных пользовательских слоях смотрите Импорт Сеть TensorFlow с Автоматически сгенерированными Пользовательскими Слоями.

Сохраните импортированную сеть в файле MAT.

filename = "digitsNet.mat";
save(filename,"net")

Создайте модель Simulink

Этот пример предоставляет модели Simulink slexDigitsImportedNetworkPredictExample.slx. Можно открыть модель Simulink (обеспеченный в этом примере) или создать новую модель путем выполнения шагов, описанных в этом разделе.

Откройте модель Simulink slexDigitsImportedNetworkPredictExample.slx.

SimMdlName = "slexDigitsImportedNetworkPredictExample"; 
open_system(SimMdlName)

1. Чтобы создать новую модель Simulink, откройте шаблон Blank Model и добавьте блок Predict из библиотеки Deep Learning Toolbox™. Блок Predict предсказывает ответы для данных во входе при помощи обучившего сеть, что вы задаете использование параметров блоков. Вход с блоком может быть h w c N числовым массивом, где h, w, и c являются высотой, шириной и количеством каналов изображений, соответственно, и N является количеством изображений.

Дважды кликните блок Predict, чтобы открыть диалоговое окно Block Parameters. Выберите Network from MAT-file для Сетевого параметра. Нажмите Browse в разделе File Path, чтобы задать сеть как digitsNet.mat сеть в текущей папке.

2. Вставьте блок Video from Workspace из библиотеки Computer Vision Toolbox™. Дважды кликните блок Video from Workspace, чтобы открыть диалоговое окно Block Parameters. Задайте Сигнал как inputIms, Шаг расчета как 1, и Form выход после окончательного значения как Содержащий окончательное значение.

3. Проверяйте, совпадает ли размер входных изображений с сетевым входным размером. Если они не соответствуют, необходимо изменить размер входных данных путем добавления блока Resize от библиотеки Computer Vision Toolbox до модели.

Отобразите размер изображения и входной размер сети.

size(inputIms)

ans = 1×4

    28    28     1     8

netInputSize = net.Layers(1).InputSize

netInputSize = 1×3

    28    28     1

Вход является последовательностью восьми полутоновых изображений (с одним каналом), которые являются 28 28 пикселями в размере. Размер изображения совпадает с сетевым входным размером.

4. Добавьте блок To Workspace в модель и поменяйте имя переменной на yPred. Соедините блок Video from Workspace с входом блока Predict и блока To Workspace к выходу блока Predict.

5. Откройте диалоговое окно Configuration Parameters. На вкладке Modeling нажмите Model Settings. При выборе Решателя, Типе набора к Fixed-step, и Решатель набора к discrete (no continuous states).

Предскажите Используя модель Simulink

Симулируйте модель и сохраните симуляцию выход в modelOutput. Поле modelOutput.yPred.Data содержит результаты классификации.

modelOutput = sim(SimMdlName)

modelOutput = 
  Simulink.SimulationOutput:

                   tout: [8x1 double] 
                  yPred: [1x1 timeseries] 

     SimulationMetadata: [1x1 Simulink.SimulationMetadata] 
           ErrorMessage: [0x0 char] 

Отобразите последовательность изображений и результатов классификации.

tiledlayout(1,12,TileSpacing="None");
for i = 1:size(inputIms,4)
    nexttile
    imshow(inputIms(:,:,:,i))
    label = modelOutput.yPred.Data(:,:,i)==1;
    title([classNames{label}],FontSize=20)
end