importONNXNetwork

Импортируйте предварительно обученную сеть ONNX

свернуть все на странице

Синтаксис

net = importONNXNetwork(modelfile)
net = importONNXNetwork(modelfile,Name=Value)

Описание

пример

net = importONNXNetwork(modelfile) импортирует предварительно обученную сеть ONNX™ (Open Neural Network Exchange) из файла modelfile. Функция возвращает сеть net как DAGNetwork или dlnetwork объект.

importONNXNetwork требует Конвертера Deep Learning Toolbox™ для пакета поддержки Формата Модели ONNX. Если этот пакет поддержки не установлен, то importONNXNetwork обеспечивает ссылку на загрузку.

Примечание

По умолчанию, importONNXNetwork попытки сгенерировать пользовательский слой, когда программное обеспечение не может преобразовать оператор ONNX в эквивалентный встроенный MATLAB® слой. Для списка операторов, для которых программное обеспечение поддерживает преобразование, см. Операторы ONNX, Поддержанные для Преобразования на Встроенные Слои MATLAB.

importONNXNetwork сохраняет сгенерированные пользовательские слои в пакете +modelfile.

importONNXNetwork автоматически не генерирует пользовательский слой для каждого оператора ONNX, который не поддерживается для преобразования на встроенный слой MATLAB. Для получения дополнительной информации о том, как обработать неподдерживаемые слои, см. альтернативную функциональность.

пример

net = importONNXNetwork(modelfile,Name=Value) импортирует предварительно обученную сеть ONNX с дополнительными опциями, заданными одними или несколькими аргументами name-value. Например, OutputLayerType="classification" импортирует сеть как DAGNetwork объект с классификацией вывел слой, добавленный в конец первой выходной ветви импортированной сетевой архитектуры.

Примеры

свернуть все

Этот пример использует:

Скрипт Open Live Script

Загрузите и установите Конвертер Deep Learning Toolbox для пакета поддержки Формата Модели ONNX.

Введите importONNXNetwork в командной строке.

importONNXNetwork

Если Конвертер Deep Learning Toolbox для Формата Модели ONNX не установлен, то функция обеспечивает ссылку на необходимый пакет поддержки в Add-On Explorer. Чтобы установить пакет поддержки, щелкните по ссылке, и затем нажмите Install. Проверяйте, что установка успешна путем импорта сети из файла модели "simplenet.onnx" в командной строке. Если пакет поддержки установлен, то функция возвращает DAGNetwork объект.

modelfile = "simplenet.onnx";
net = importONNXNetwork(modelfile)
net = 
  DAGNetwork with properties:

         Layers: [9×1 nnet.cnn.layer.Layer]
    Connections: [8×2 table]
     InputNames: {'imageinput'}
    OutputNames: {'ClassificationLayer_softmax1002'}

Постройте сетевую архитектуру.

plot(net)

Этот пример использует:

Скрипт Open Live Script

Импортируйте предварительно обученную сеть ONNX как DAGNetwork объект и использование импортированная сеть, чтобы классифицировать изображение.

Сгенерируйте модель ONNX squeezenet нейронная сеть свертки.

squeezeNet = squeezenet;
exportONNXNetwork(squeezeNet,"squeezeNet.onnx");

Задайте имена классов.

ClassNames = squeezeNet.Layers(end).Classes;

Импортируйте предварительно обученный squeezeNet.onnx модель, и задает классы. По умолчанию, importONNXNetwork импортирует сеть как DAGNetwork объект.

net = importONNXNetwork("squeezeNet.onnx",Classes=ClassNames)
net = 
  DAGNetwork with properties:

         Layers: [70×1 nnet.cnn.layer.Layer]
    Connections: [77×2 table]
     InputNames: {'data'}
    OutputNames: {'ClassificationLayer_prob'}

Анализируйте импортированную сеть.

analyzeNetwork(net)

Считайте изображение, вы хотите классифицировать и отобразить размер изображения. Изображение является 384 512 пикселями и имеет три цветовых канала (RGB).

I = imread("peppers.png");
size(I)
ans = 1×3

   384   512     3

Измените размер изображения к входному размеру сети. Покажите изображение.

I = imresize(I,[227 227]);
imshow(I)

Классифицируйте изображение с помощью импортированной сети.

label = classify(net,I)
label = categorical
     bell pepper

Этот пример использует:

Скрипт Open Live Script

Импортируйте предварительно обученную сеть ONNX как dlnetwork объект и использование импортированная сеть, чтобы классифицировать изображение.

Сгенерируйте модель ONNX squeezenet нейронная сеть свертки.

squeezeNet = squeezenet;
exportONNXNetwork(squeezeNet,"squeezeNet.onnx");

Задайте имена классов.

ClassNames = squeezeNet.Layers(end).Classes;

Импортируйте предварительно обученный squeezeNet.onnx модель как dlnetwork объект.

net = importONNXNetwork("squeezeNet.onnx",TargetNetwork="dlnetwork")
net = 
  dlnetwork with properties:

         Layers: [70×1 nnet.cnn.layer.Layer]
    Connections: [77×2 table]
     Learnables: [52×3 table]
          State: [0×3 table]
     InputNames: {'data'}
    OutputNames: {'probOutput'}
    Initialized: 1

Считайте изображение, вы хотите классифицировать и отобразить размер изображения. Изображение является 384 512 пикселями и имеет три цветовых канала (RGB).

I = imread("peppers.png");
size(I)
ans = 1×3

   384   512     3

Измените размер изображения к входному размеру сети. Покажите изображение.

I = imresize(I,[227 227]);
imshow(I)

Преобразуйте изображение в dlarray. Отформатируйте изображения с размерностями "SSCB" (пространственный, пространственный, канал, пакет). В этом случае пакетный размер равняется 1, и можно не использовать его ("SSC").

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

Классифицируйте демонстрационное изображение и найдите предсказанную метку.

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

Отобразите результат классификации.

ClassNames(label)
ans = categorical
     bell pepper

Этот пример использует:

Скрипт Open Live Script

Импортируйте предварительно обученную сеть ONNX как DAGNetwork объект и использование импортированная сеть, чтобы классифицировать изображение. Импортированная сеть содержит операторы ONNX, которые не поддерживаются для преобразования на встроенные слои MATLAB. Программное обеспечение автоматически генерирует пользовательские слои, когда вы импортируете эти операторы.

Этот пример использует функцию помощника findCustomLayers. Чтобы просмотреть код для этой функции, смотрите Функцию Помощника.

Задайте файл модели, чтобы импортировать как shufflenet с оператором устанавливает 9 из Зоопарка Модели ONNX. shufflenet сверточная нейронная сеть, которая обучена больше чем на миллионе изображений от базы данных ImageNet. В результате сеть изучила богатые представления функции для широкого спектра изображений. Сеть может классифицировать изображения в 1 000 категорий объектов, таких как клавиатура, мышь, карандаш и многие животные.

modelfile = "shufflenet-9.onnx";

Импортируйте имена классов из squeezenet, который также обучен с изображениями от базы данных ImageNet.

squeezeNet = squeezenet;
ClassNames = squeezeNet.Layers(end).ClassNames;

Импортируйте shufflenet. По умолчанию, importONNXNetwork импортирует сеть как DAGNetwork объект. Если импортированная сеть содержит операторы ONNX, не поддержанные для преобразования на встроенные слои MATLAB, то importONNXNetwork может автоматически сгенерировать пользовательские слои вместо этих операторов. importONNXNetwork сохраняет каждый сгенерированный пользовательский слой в отдельный .m файл в пакете +shufflenet_9 в текущей папке. Задайте имя пакета при помощи аргумента PackageName значения имени.

net = importONNXNetwork(modelfile,...
    Classes=ClassNames,PackageName="shufflenet_9")
net = 
  DAGNetwork with properties:

         Layers: [173×1 nnet.cnn.layer.Layer]
    Connections: [188×2 table]
     InputNames: {'gpu_0_data_0'}
    OutputNames: {'ClassificationLayer_gpu_0_softmax_1'}

Найдите индексы автоматически сгенерированных пользовательских слоев при помощи функции помощника findCustomLayers, и отобразите пользовательские слои.

ind = findCustomLayers(net.Layers,'+shufflenet_9');
net.Layers(ind)
ans = 
  16×1 Layer array with layers:

     1   'Reshape_To_ReshapeLayer1004'   shufflenet_9.Reshape_To_ReshapeLayer1004   shufflenet_9.Reshape_To_ReshapeLayer1004
     2   'Reshape_To_ReshapeLayer1009'   shufflenet_9.Reshape_To_ReshapeLayer1009   shufflenet_9.Reshape_To_ReshapeLayer1009
     3   'Reshape_To_ReshapeLayer1014'   shufflenet_9.Reshape_To_ReshapeLayer1014   shufflenet_9.Reshape_To_ReshapeLayer1014
     4   'Reshape_To_ReshapeLayer1019'   shufflenet_9.Reshape_To_ReshapeLayer1019   shufflenet_9.Reshape_To_ReshapeLayer1019
     5   'Reshape_To_ReshapeLayer1024'   shufflenet_9.Reshape_To_ReshapeLayer1024   shufflenet_9.Reshape_To_ReshapeLayer1024
     6   'Reshape_To_ReshapeLayer1029'   shufflenet_9.Reshape_To_ReshapeLayer1029   shufflenet_9.Reshape_To_ReshapeLayer1029
     7   'Reshape_To_ReshapeLayer1034'   shufflenet_9.Reshape_To_ReshapeLayer1034   shufflenet_9.Reshape_To_ReshapeLayer1034
     8   'Reshape_To_ReshapeLayer1039'   shufflenet_9.Reshape_To_ReshapeLayer1039   shufflenet_9.Reshape_To_ReshapeLayer1039
     9   'Reshape_To_ReshapeLayer1044'   shufflenet_9.Reshape_To_ReshapeLayer1044   shufflenet_9.Reshape_To_ReshapeLayer1044
    10   'Reshape_To_ReshapeLayer1049'   shufflenet_9.Reshape_To_ReshapeLayer1049   shufflenet_9.Reshape_To_ReshapeLayer1049
    11   'Reshape_To_ReshapeLayer1054'   shufflenet_9.Reshape_To_ReshapeLayer1054   shufflenet_9.Reshape_To_ReshapeLayer1054
    12   'Reshape_To_ReshapeLayer1059'   shufflenet_9.Reshape_To_ReshapeLayer1059   shufflenet_9.Reshape_To_ReshapeLayer1059
    13   'Reshape_To_ReshapeLayer1064'   shufflenet_9.Reshape_To_ReshapeLayer1064   shufflenet_9.Reshape_To_ReshapeLayer1064
    14   'Reshape_To_ReshapeLayer1069'   shufflenet_9.Reshape_To_ReshapeLayer1069   shufflenet_9.Reshape_To_ReshapeLayer1069
    15   'Reshape_To_ReshapeLayer1074'   shufflenet_9.Reshape_To_ReshapeLayer1074   shufflenet_9.Reshape_To_ReshapeLayer1074
    16   'Reshape_To_ReshapeLayer1079'   shufflenet_9.Reshape_To_ReshapeLayer1079   shufflenet_9.Reshape_To_ReshapeLayer1079

Считайте изображение, вы хотите классифицировать и отобразить размер изображения. Изображение является 792 1056 пикселями и имеет три цветовых канала (RGB).

I = imread("peacock.jpg");
size(I)
ans = 1×3

         792        1056           3

Измените размер изображения к входному размеру сети. Покажите изображение.

I = imresize(I,[224 224]);
imshow(I)

Входные параметры к shufflenet потребуйте дальнейшей предварительной обработки (для получения дополнительной информации смотрите ShuffleNet в Зоопарке Модели ONNX). Перемасштабируйте изображение. Нормируйте изображение путем вычитания среднего значения учебных изображений и деления на стандартное отклонение учебных изображений.

I = rescale(I,0,1);

meanIm = [0.485 0.456 0.406];
stdIm = [0.229 0.224 0.225];
I = (I - reshape(meanIm,[1 1 3]))./reshape(stdIm,[1 1 3]);

imshow(I)

Классифицируйте изображение с помощью импортированной сети.

label = classify(net,I)
label = categorical
     peacock

Функция помощника

Этот раздел предоставляет код функции помощника findCustomLayers используемый в этом примере. findCustomLayers возвращает indices из пользовательских слоев, что importONNXNetwork автоматически генерирует.

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

Этот пример использует:

Скрипт Open Live Script

Импортируйте сеть ONNX, которая имеет несколько выходных параметров как DAGNetwork объект.

Задайте файл модели ONNX и импортируйте предварительно обученную модель ONNX. По умолчанию, importONNXNetwork импортирует сеть как DAGNetwork объект.

modelfile = "digitsMIMO.onnx";
net = importONNXNetwork(modelfile)
net = 
  DAGNetwork with properties:

         Layers: [19×1 nnet.cnn.layer.Layer]
    Connections: [19×2 table]
     InputNames: {'input'}
    OutputNames: {'ClassificationLayer_sm_1'  'RegressionLayer_fc_1_Flatten'}

Сеть имеет два выходных слоя: один слой классификации (ClassificationLayer_sm_1) классифицировать цифры и один слой регрессии (RegressionLayer_fc_1_Flatten) вычислить среднеквадратическую ошибку для предсказанных углов цифр. Постройте сетевую архитектуру.

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

Чтобы сделать предсказания с помощью импортированной сети, используйте predict функция и набор ReturnCategorical опция к true.

Входные параметры

свернуть все

Имя файла модели ONNX, содержащего сеть в виде вектора символов или строкового скаляра. Файл должен быть в текущей папке или в папке на пути MATLAB, или необходимо включать полный или относительный путь в файл.

Пример: "cifarResNet.onnx"

Аргументы name-value

Задайте дополнительные пары аргументов как Name1=Value1,...,NameN=ValueN, где Name имя аргумента и Value соответствующее значение. Аргументы name-value должны появиться после других аргументов, но порядок пар не имеет значения.

Пример: importONNXNetwork(modelfile,TargetNetwork="dagnetwork",GenerateCustomLayers=true,PackageName="CustomLayers") импортирует сеть в modelfile как DAGNetwork возразите и сохраняет автоматически сгенерированные пользовательские слои в пакете +CustomLayers в текущей папке.

Опция для пользовательской генерации слоя в виде числового или логического 1 TRUE) или 0 ложь). Если вы устанавливаете GenerateCustomLayers к true, importONNXNetwork попытки сгенерировать пользовательский слой, когда программное обеспечение не может преобразовать оператор ONNX на эквивалентный встроенный слой MATLAB. importONNXNetwork сохраняет каждый сгенерированный пользовательский слой в отдельный .m файл в +PackageName. Чтобы просмотреть или отредактировать пользовательский слой, откройте связанный .m файл. Для получения дополнительной информации о пользовательских слоях смотрите Глубокое обучение Пользовательские Слои.

Пример: GenerateCustomLayers=false

Имя пакета, в который importONNXNetwork сохраняет пользовательские слои в виде вектора символов или строкового скаляра. importONNXNetwork сохраняет пользовательский пакет слоев +PackageName в текущей папке. Если вы не задаете PackageNameто importONNXNetwork сохраняет пользовательские слои в пакете, названном +modelfile в текущей папке. Для получения дополнительной информации о пакетах смотрите, что Пакеты Создают Пространства имен.

Пример: PackageName="shufflenet_9"

Пример: PackageName="CustomLayers"

Целевой тип сети Deep Learning Toolbox в виде "dagnetwork" или "dlnetwork". Функция importONNXNetwork импортирует сеть net как DAGNetwork или dlnetwork объект.

  • Если вы импортируете сеть как DAGNetwork объект, net должен включать входные и выходные слои, заданные моделью ONNX или что вы задаете использование аргументов name-value InputDataFormats, OutputDataFormats, или OutputLayerType.

  • Если вы импортируете сеть как dlnetwork объект, importONNXNetwork добавляет CustomOutputLayer в конце каждой выходной ветви net, и может добавить CustomInputLayer в начале входной ветви. Функция добавляет CustomInputLayer если форматы входных данных или входные размеры изображения не известны. Дополнительные сведения о форматах данных этих слоев см. в свойствах CustomInputLayer и CustomOutputLayer объекты. Для получения информации о том, как интерпретировать форматы входных и выходных данных Deep Learning Toolbox, смотрите Преобразование Тензоров Ввода и вывода ONNX на Встроенные Слои MATLAB.

Пример: TargetNetwork="dlnetwork"

Формат данных сети вводит в виде вектора символов, строкового скаляра или массива строк. importONNXNetwork попытки интерпретировать форматы входных данных из файла ONNX. Аргумент InputDataFormats значения имени полезно когда importONNXNetwork не может вывести форматы входных данных.

Установите InputDataFomats к формату данных в упорядоченном расположении тензора входа ONNX. Например, если вы задаете InputDataFormats как "BSSC", импортированная сеть имеет один imageInputLayer входной параметр. Для получения дополнительной информации о как importONNXNetwork интерпретирует формат данных тензоров входа ONNX и как задать InputDataFormats для различных слоев входа Deep Learning Toolbox смотрите Преобразование Тензоров Ввода и вывода ONNX на Встроенные Слои MATLAB.

Если вы задаете пустой формат данных ([] или ""), importONNXNetwork автоматически интерпретирует формат входных данных.

Пример: InputDataFormats='BSSC'

Пример: InputDataFormats="BSSC"

Пример: InputDataFormats=["BCSS","","BC"]

Пример: InputDataFormats={'BCSS',[],'BC'}

Типы данных: char | string | cell

Формат данных сетевых выходных параметров в виде вектора символов, строкового скаляра или массива строк. importONNXNetwork попытки интерпретировать форматы выходных данных из файла ONNX. Аргумент OutputDataFormats значения имени полезно когда importONNXNetwork не может вывести форматы выходных данных.

Установите OutputDataFormats к формату данных в упорядоченном расположении ONNX тензор выхода. Например, если вы задаете OutputDataFormats как "BC", импортированная сеть имеет один classificationLayer вывод . Для получения дополнительной информации о как importONNXNetwork интерпретирует формат данных ONNX тензоры выхода и как задать OutputDataFormats для различного Deep Learning Toolbox слои выхода смотрите Преобразование Тензоров Ввода и вывода ONNX на Встроенные Слои MATLAB.

Если вы задаете пустой формат данных ([] или ""), importONNXNetwork автоматически интерпретирует формат выходных данных.

Пример: OutputDataFormats='BC'

Пример: OutputDataFormats="BC"

Пример: OutputDataFormats=["BCSS","","BC"]

Пример: OutputDataFormats={'BCSS',[],'BC'}

Типы данных: char | string | cell

Размер входа отображает для первого сетевого входа в виде вектора из трех или четырех численных значений, соответствующих [height,width,channels] для 2D изображений и [height,width,depth,channels] для 3-D изображений. Сеть использует эту информацию только когда модель ONNX в modelfile не задает входной размер.

Пример: ImageInputSize=[28 28 1] для 2D полутонового входного изображения

Пример: ImageInputSize=[224 224 3] для 2D цветного входного изображения

Пример: ImageInputSize=[28 28 36 3] для 3-D цветного входного изображения

Тип слоя для первого сетевого выхода в виде "classification", "regression", или "pixelclassification". Функция importONNXNetwork добавляет ClassificationOutputLayer, RegressionOutputLayer, или pixelClassificationLayer Объект (Computer Vision Toolbox) в конец первой выходной ветви импортированной сетевой архитектуры. Добавление pixelClassificationLayer Объект (Computer Vision Toolbox) требует Computer Vision Toolbox™. Если модель ONNX в modelfile задает выходной тип слоя, или вы задаете TargetNetwork как "dlnetwork", importONNXNetwork игнорирует аргумент OutputLayerType значения имени.

Пример: OutputLayerType="regression"

Классы выходного слоя для первого сетевого выхода в виде категориального вектора, массива строк, массива ячеек из символьных векторов или "auto". Если Classes "auto"то importONNXNetwork устанавливает классы на categorical(1:N), где N количество классов. Если вы задаете массив строк или массив ячеек из символьных векторов strто importONNXNetwork устанавливает классы выходного слоя к categorical(str,str). Если вы задаете TargetNetwork как "dlnetwork", importONNXNetwork игнорирует аргумент Classes значения имени.

Пример: Classes={'0','1','3'}

Пример: Classes=categorical({'dog','cat'})

Типы данных: char | categorical | string | cell

Оптимизация сворачивания констант в виде "deep", "shallow", или "none". Сворачивание констант оптимизирует импортированную сетевую архитектуру вычислительными операциями на инициализаторах ONNX (начальные постоянные значения) во время преобразования операторов ONNX к эквивалентным встроенным слоям MATLAB.

Если сеть ONNX содержит операторы, которые программное обеспечение не может преобразовать в эквивалентные встроенные слои MATLAB (см. Операторы ONNX, Поддержанные для Преобразования на Встроенные Слои MATLAB), оптимизация сворачивания констант может сократить количество неподдерживаемых слоев. Когда вы устанавливаете FoldConstants к "deep", сеть имеет то же самое или меньше неподдерживаемых слоев, по сравнению с тем, когда вы устанавливаете аргумент на "shallow". Однако время импорта сети может увеличиться. Установите FoldConstants к "none" отключить сетевую оптимизацию архитектуры.

Если сеть все еще содержит неподдерживаемые слои после оптимизации сворачивания констант, importONNXNetwork возвращает ошибку. В этом случае можно импортировать сеть при помощи importONNXLayers или importONNXFunction. Для получения дополнительной информации см. альтернативную функциональность.

Пример: FoldConstants="shallow"

Выходные аргументы

свернуть все

Предварительно обученная сеть ONNX, возвращенная как DAGNetwork или dlnetwork объект.

  • Задайте TargetNetwork как "dagnetwork" импортировать сеть как DAGNetwork объект. На DAGNetwork объект, вы затем предсказываете метки класса при помощи classify функция.

  • Задайте TargetNetwork как "dlnetwork" импортировать сеть как dlnetwork объект. На dlnetwork объект, вы затем предсказываете метки класса при помощи predict функция. Задайте входные данные как dlarray с помощью правильного формата данных (для получения дополнительной информации, смотрите fmt аргумент dlarray).

Ограничения

  • importONNXNetwork поддержки версии ONNX можно следующим образом:

    • Функция поддерживает промежуточную версию 6 представления ONNX.

    • Функция поддерживает наборы оператора ONNX 6 - 13.

Примечание

Если вы импортируете экспортируемую сеть, слои повторно импортированной сетевой силы отличаются от исходной сети и не могут поддерживаться.

Больше о

свернуть все

Операторы ONNX, поддержанные для преобразования на встроенные слои MATLAB

importONNXNetwork поддерживает следующие операторы ONNX для преобразования на встроенные слои MATLAB, с некоторыми ограничениями.

Оператор ONNXСлой Deep Learning Toolbox

Add

additionLayer или nnet.onnx.layer.ElementwiseAffineLayer

AveragePool

averagePooling2dLayer

BatchNormalization

batchNormalizationLayer

Concat

concatenationLayer

Constant

Ни один (Импортированный как веса)

Conv*

convolution2dLayer

ConvTranspose

transposedConv2dLayer

Dropout

dropoutLayer

Elu

eluLayer

Gemm

fullyConnectedLayer если сеть ONNX является текущей, в противном случае nnet.onnx.layer.FlattenLayer сопровождаемый convolution2dLayer

GlobalAveragePool

globalAveragePooling2dLayer

GlobalMaxPool

globalMaxPooling2dLayer

GRU

gruLayer

InstanceNormalization

groupNormalizationLayer с numGroups заданный как "channel-wise"

LeakyRelu

leakyReluLayer

LRN

CrossChannelNormalizationLayer

LSTM

lstmLayer или bilstmLayer

MatMul

fullyConnectedLayer если сеть ONNX является текущей, 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 только с двумя элементами [p1,p2], importONNXNetwork импорт Conv как convolution2dLayer с аргументом 'Padding' значения имени заданный как [p1,p2,p1,p2].

Оператор ONNXСредство импорта ONNX пользовательский слой

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
Оператор ONNXImage Processing Toolbox™
DepthToSpacedepthToSpace2dLayer (Image Processing Toolbox)
Resizeresize2dLayer (Image Processing Toolbox) или resize3dLayer (Image Processing Toolbox)
SpaceToDepthspaceToDepthLayer (Image Processing Toolbox)
Upsampleresize2dLayer (Image Processing Toolbox) или resize3dLayer (Image Processing Toolbox)

Преобразование тензоров ввода и вывода ONNX на встроенные слои MATLAB

importONNXNetwork попытки интерпретировать формат данных тензоров ввода и вывода сети ONNX, и затем преобразовать их во встроенные входные и выходные слои MATLAB. Для получения дополнительной информации на интерпретации, см. таблицы Conversion Входных Тензоров ONNX на Слои Deep Learning Toolbox и Преобразование ONNX Выходные Тензоры на Слои MATLAB.

В Deep Learning Toolbox каждый символ формата данных должен быть одной из этих меток:

  • S — Пространственный

  • C — Канал

  • B — Пакетные наблюдения

  • T — Время или последовательность

  • U — Незаданный

Преобразование входных тензоров ONNX на слои Deep Learning Toolbox

Форматы данныхИнтерпретация данныхСлой Deep Learning Toolbox
Вход ONNX Tensor Формат ввода MATLABФормаВвод
BCCBc-by-n массив, где c является количеством функций и n, является количеством наблюденийФункцииfeatureInputLayer
BCSS, BSSC, CSS, SSCSSCB

h-by-w-by-c-by-n числовой массив, где h, w, c и n являются высотой, шириной, количеством каналов изображений и количеством наблюдений, соответственно

2D изображениеimageInputLayer
BCSSS, BSSSC, CSSS, SSSCSSSCB

h-by-w-by-d-by-c числовой массив, где h, w, d, c и n являются высотой, шириной, глубиной, количеством каналов изображений и количеством наблюдений изображений, соответственно

3-D изображениеimage3dInputLayer
TBCCBT

c-by-s-by-n матрица, где c является количеством функций последовательности, s, является длиной последовательности, и n является количеством наблюдений последовательности

Векторная последовательностьsequenceInputLayer
TBCSSSSCBT

h-by-w-by-c-by-s-by-n массив, где h, w, c и n соответствуют высоте, ширине и количеству каналов изображения, соответственно, s, является длиной последовательности, и n является количеством наблюдений последовательности изображений

2D последовательность изображенийsequenceInputLayer
TBCSSSSSSCBT

h-by-w-by-d-by-c-by-s-by-n массив, где h, w, d и c соответствуют высоте, ширине, глубине и количеству каналов изображения, соответственно, s, является длиной последовательности, и n является количеством наблюдений последовательности изображений

3-D последовательность изображенийsequenceInputLayer

Преобразование ONNX Выходные тензоры на слои MATLAB

Форматы данныхСлой MATLAB
ONNX Выход TensorВыходной формат MATLAB
BC, TBCCB, CBTclassificationLayer
BCSS, BSSC, CSS, SSC, BCSSS, BSSSC, CSSS, SSSCSSCB, SSSCBpixelClassificationLayer (Computer Vision Toolbox)
TBCSS, TBCSSSSSCBT, SSSCBTregressionLayer

Используйте импортированную сеть на графическом процессоре

importONNXNetwork не выполняется на графическом процессоре. Однако importONNXNetwork импортирует предварительно обученную нейронную сеть для глубокого обучения как DAGNetwork или dlnetwork объект, который можно использовать на графическом процессоре.

  • Если вы импортируете сеть как DAGNetwork объект, можно сделать предсказания с импортированной сетью или на центральном процессоре или на графическом процессоре при помощи classify. Задайте требования к аппаратным средствам с помощью аргумента ExecutionEnvironment значения имени. Для сетей с несколькими выходными параметрами используйте predict функция для DAGNetwork объекты.

  • Если вы импортируете сеть как DAGNetwork объект, можно сделать предсказания с импортированной сетью или на центральном процессоре или на графическом процессоре при помощи predict. Задайте требования к аппаратным средствам с помощью аргумента ExecutionEnvironment значения имени. Если сеть имеет несколько выходных параметров, задайте аргумент ReturnCategorical значения имени как true.

  • Если вы импортируете сеть как dlnetwork объект, можно сделать предсказания с импортированной сетью или на центральном процессоре или на графическом процессоре при помощи predict. Функция predict выполняется на графическом процессоре, если или входные данные или сетевые параметры хранятся на графическом процессоре.

    • Если вы используете minibatchqueue обработать и управлять мини-пакетами входных данных, minibatchqueue объект преобразует выход в массив графического процессора по умолчанию, если графический процессор доступен.

    • Использование dlupdate преобразовывать настраиваемые параметры dlnetwork возразите против массивов графического процессора.

      dlnet = dlupdate(@gpuarray,dlnet)

  • Можно обучить импортированную сеть или на центральном процессоре или на графическом процессоре при помощи trainNetwork. Задавать опции обучения, включая опции для среды выполнения, использование trainingOptions функция. Задайте требования к аппаратным средствам с помощью аргумента ExecutionEnvironment значения имени. Для получения дополнительной информации о том, как ускорить обучение, смотрите, Увеличивают Глубокое обучение параллельно, на графических процессорах, и в Облаке.

Используя графический процессор требует Parallel Computing Toolbox™ и поддерживаемого устройства графического процессора. Для получения информации о поддерживаемых устройствах смотрите Поддержку графического процессора Релизом (Parallel Computing Toolbox).

Советы

  • Чтобы использовать предварительно обученную сеть для предсказания или передачи обучения на новых изображениях, необходимо предварительно обработать изображения таким же образом изображения, которые использовались, чтобы обучаться, импортированная модель были предварительно обработаны. Наиболее распространенные шаги предварительной обработки изменяют размер изображений, вычитая средние значения изображений, и преобразовывая изображения от изображений BGR до RGB.

    • Чтобы изменить размер изображений, использовать imresize. Например, imresize(image,[227,227,3]).

    • Чтобы преобразовать изображения от RGB до формата BGR, использовать flip. Например, flip(image,3).

    Для получения дополнительной информации о предварительной обработке изображений для обучения и предсказания, смотрите, Предварительно обрабатывают Изображения для Глубокого обучения.

Альтернативная функциональность

Конвертер Deep Learning Toolbox для Формата Модели ONNX обеспечивает три функции, чтобы импортировать предварительно обученную сеть ONNX: importONNXNetwork, importONNXLayers, и importONNXFunction.

Если импортированная сеть содержит оператор ONNX, не поддержанный для преобразования на встроенный слой MATLAB (см. Операторы ONNX, Поддержанные для Преобразования на Встроенные Слои MATLAB), и importONNXNetwork не генерирует пользовательский слой, затем importONNXNetwork возвращает ошибку. В этом случае можно все еще использовать importONNXLayers импортировать сетевую архитектуру и веса или importONNXFunction импортировать сеть как ONNXParameters возразите и функция модели.

Для получения дополнительной информации о котором функция импорта лучше всего удовлетворяет различным сценариям, смотрите, Выбирают Function to Import ONNX Pretrained Network.

Вопросы совместимости

развернуть все

Ошибки, запускающиеся в R2021b

Поведение изменяется в R2021b

Ссылки

[1] Открытый Exchange Нейронной сети. https://github.com/onnx/.

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

Смотрите также

| | | | | | | |

Темы

Введенный в R2018a

Документация Deep Learning Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте