importKerasLayers
R2026b(削除予定) Keras ネットワークからの層のインポート
importKerasLayers は将来のリリースで削除される予定です。代わりに importNetworkFromTensorFlow を使用してください。 (R2023b 以降)コードの更新の詳細については、バージョン履歴を参照してください。
説明
Add-On Required: この機能には Deep Learning Toolbox Converter for TensorFlow Models アドオンが必要です。
layers = importKerasLayers(modelfile,Name,Value)
たとえば、importKerasLayers(modelfile,'ImportWeights',true) は、モデル ファイル modelfile からネットワーク層と重みをインポートします。
例
Deep Learning Toolbox Converter for TensorFlow Models サポート パッケージをダウンロードしてインストールします。
コマンド ラインで importKerasLayers と入力します。
importKerasLayers
Deep Learning Toolbox Converter for TensorFlow Models サポート パッケージがインストールされていない場合、この関数は、必要なサポート パッケージへのリンクをアドオン エクスプローラーに表示します。サポート パッケージをインストールするには、リンクをクリックして、[インストール] をクリックします。コマンド ラインでモデル ファイル 'digitsDAGnet.h5' から層をインポートして、インストールが正常に終了していることを確認します。必要なサポート パッケージがインストールされている場合、関数によって LayerGraph オブジェクトが返されます。
modelfile = 'digitsDAGnet.h5';
net = importKerasLayers(modelfile)Warning: "importKerasLayers" is not recommended and will be removed in a future release. To import TensorFlow-Keras models, save using the SavedModel format and use importNetworkFromTensorFlow function.
net =
LayerGraph with properties:
InputNames: {'input_1'}
OutputNames: {'ClassificationLayer_activation_1'}
Layers: [13×1 nnet.cnn.layer.Layer]
Connections: [13×2 table]
モデル ファイル digitsDAGnet.h5 からネットワーク層をインポートします。
modelfile = 'digitsDAGnet.h5';
layers = importKerasLayers(modelfile) layers =
LayerGraph with properties:
Layers: [13×1 nnet.cnn.layer.Layer]
Connections: [13×2 table]
InputNames: {'input_1'}
OutputNames: {'ClassificationLayer_activation_1'}
ネットワーク アーキテクチャをプロットします。
plot(layers)
インポートするネットワーク ファイルを指定します。
modelfile = 'digitsDAGnet.h5';ネットワーク層をインポートします。
layers = importKerasLayers(modelfile)
layers =
LayerGraph with properties:
Layers: [13×1 nnet.cnn.layer.Layer]
Connections: [13×2 table]
InputNames: {'input_1'}
OutputNames: {'ClassificationLayer_activation_1'}
新しい数字を認識するよう分類器に学習させるためのデータ セットを読み込みます。
folder = fullfile(toolboxdir('nnet'),'nndemos','nndatasets','DigitDataset'); imds = imageDatastore(folder, ... 'IncludeSubfolders',true, ... 'LabelSource','foldernames');
データセットを学習用とテスト用のセットに分割します。
numTrainFiles = 750;
[imdsTrain,imdsTest] = splitEachLabel(imds,numTrainFiles,'randomize');学習オプションを設定します。
options = trainingOptions('sgdm', ... 'MaxEpochs',10, ... 'InitialLearnRate',0.001);
学習データを使用してネットワークに学習させます。
net = trainNetwork(imdsTrain,layers,options);
Training on single CPU. |========================================================================================| | Epoch | Iteration | Time Elapsed | Mini-batch | Mini-batch | Base Learning | | | | (hh:mm:ss) | Accuracy | Loss | Rate | |========================================================================================| | 1 | 1 | 00:00:00 | 15.63% | 12.6982 | 0.0010 | | 1 | 50 | 00:00:06 | 63.28% | 1.2109 | 0.0010 | | 2 | 100 | 00:00:10 | 85.16% | 0.4196 | 0.0010 | | 3 | 150 | 00:00:15 | 96.09% | 0.1760 | 0.0010 | | 4 | 200 | 00:00:20 | 99.22% | 0.0453 | 0.0010 | | 5 | 250 | 00:00:25 | 100.00% | 0.0374 | 0.0010 | | 6 | 300 | 00:00:30 | 96.88% | 0.1221 | 0.0010 | | 7 | 350 | 00:00:35 | 100.00% | 0.0086 | 0.0010 | | 7 | 400 | 00:00:40 | 100.00% | 0.0166 | 0.0010 | | 8 | 450 | 00:00:45 | 100.00% | 0.0097 | 0.0010 | | 9 | 500 | 00:00:50 | 100.00% | 0.0046 | 0.0010 | | 10 | 550 | 00:00:55 | 100.00% | 0.0031 | 0.0010 | | 10 | 580 | 00:00:58 | 100.00% | 0.0059 | 0.0010 | |========================================================================================|
ネットワークの学習に使用されなかったテスト セットにおいて学習済みネットワークを実行し、イメージのラベル (数字) を予測します。
YPred = classify(net,imdsTest); YTest = imdsTest.Labels;
精度を計算します。
accuracy = sum(YPred == YTest)/numel(YTest)
accuracy = 0.9856
層と重みのインポート元となるネットワーク ファイルを指定します。
modelfile = 'digitsDAGnet.h5';指定したファイルからネットワーク アーキテクチャと重みをインポートします。層の重みをインポートするには、'ImportWeights' を true に指定します。この関数は、同じ HDF5 ファイルから層とその重みをインポートします。
layers = importKerasLayers(modelfile,'ImportWeights',true)layers =
LayerGraph with properties:
Layers: [13×1 nnet.cnn.layer.Layer]
Connections: [13×2 table]
InputNames: {'input_1'}
OutputNames: {'ClassificationLayer_activation_1'}
2 番目の層の重みのサイズを表示します。
weights = layers.Layers(2).Weights; size(weights)
ans = 1×4
7 7 1 20
関数によって重みがインポートされているため、層の重みは空ではありません。
層のインポート元となるネットワーク ファイル、および重みが含まれているファイルを指定します。
modelfile = 'digitsDAGnet.json'; weights = 'digitsDAGnet.weights.h5';
指定したファイルからネットワーク アーキテクチャと重みをインポートします。この .json ファイルには出力層が含まれていません。importKerasLayers がネットワーク アーキテクチャの最後に出力層を追加できるように、出力層を指定します。
layers = importKerasLayers(modelfile, ... 'ImportWeights',true, ... 'WeightFile',weights, ... 'OutputLayerType','classification')
layers =
LayerGraph with properties:
Layers: [13×1 nnet.cnn.layer.Layer]
Connections: [13×2 table]
InputNames: {'input_1'}
OutputNames: {'ClassificationLayer_activation_1'}
パラメトリック正規化線形ユニット (PReLU) 層をもつ Keras ネットワークから層をインポートします。
PReLU 層はしきい値処理を実行します。各チャネルについて、入力値がゼロよりも小さい場合は、スカラーによって乗算されます。PReLU 演算は次の式で表されます。
ここで、 はチャネル の非線形活性化 の入力、 は負の部分の傾きを制御するスケーリング パラメーターです。 の添字 は、パラメーターにベクトルを指定することができ、チャネルによって非線形活性化が異なる場合があることを示しています。
importKerasNetwork と importKerasLayers は、PReLU 層を含むネットワークをインポートできます。これらの関数は、スカラー値とベクトル値の両方のスケーリング パラメーターをサポートしています。スケーリング パラメーターがベクトルの場合、この関数によって、このベクトルがベクトル要素の平均値に置き換えられます。インポートした後に、ベクトル値のスケーリング パラメーターをもつように PReLU 層を変更できます。
インポートするネットワーク ファイルを指定します。
modelfile = 'digitsDAGnetwithPReLU.h5';digitsDAGnetwithPReLU には 2 つの PReLU 層が含まれています。一方はスカラー値のスケーリング パラメーターをもち、他方はベクトル値のスケーリング パラメーターをもちます。
modelfile からネットワーク アーキテクチャと重みをインポートします。
layers = importKerasLayers(modelfile,'ImportWeights',true);Warning: Layer 'p_re_lu_1' is a PReLU layer with a vector-valued parameter. The function replaces the parameter with the average of the vector elements. You can change the parameter back to a vector after import.
関数 importKerasLayers によって、PReLU 層 p_re_lu_1 に関する警告が表示されます。この関数によって、p_re_lu_1 のベクトル値のスケーリング パラメーターがベクトル要素の平均値に置き換えられます。このパラメーターは、ベクトルに戻すことができます。まず、Layers プロパティを表示して、PReLU 層のインデックスを見つけます。
layers.Layers
ans =
13×1 Layer array with layers:
1 'input_1' Image Input 28×28×1 images
2 'conv2d_1' Convolution 20 7×7×1 convolutions with stride [1 1] and padding 'same'
3 'conv2d_2' Convolution 20 3×3×1 convolutions with stride [1 1] and padding 'same'
4 'p_re_lu_1' PReLU PReLU layer
5 'p_re_lu_2' PReLU PReLU layer
6 'max_pooling2d_1' Max Pooling 2×2 max pooling with stride [2 2] and padding 'same'
7 'max_pooling2d_2' Max Pooling 2×2 max pooling with stride [2 2] and padding 'same'
8 'flatten_1' Keras Flatten Flatten activations into 1-D assuming C-style (row-major) order
9 'flatten_2' Keras Flatten Flatten activations into 1-D assuming C-style (row-major) order
10 'concatenate_1' Depth concatenation Depth concatenation of 2 inputs
11 'dense_1' Fully Connected 10 fully connected layer
12 'dense_1_softmax' Softmax softmax
13 'ClassificationLayer_dense_1' Classification Output crossentropyex
layers には 2 つの PReLU 層が含まれています。4 番目の層 p_re_lu_1 を抽出します。この層には、当初、チャネルの次元に関するベクトル値のスケーリング パラメーターが含まれていました。
tempLayer = layers.Layers(4)
tempLayer =
PreluLayer with properties:
Name: 'p_re_lu_1'
RawAlpha: [20×1 single]
Learnable Parameters
Alpha: 0.0044
Show all properties
RawAlpha プロパティにはベクトル値のスケーリング パラメーターが格納され、Alpha プロパティにはベクトル値の要素の平均値であるスカラーが格納されています。RawAlpha の形状を変更し、ベクトル値を 3 番目の次元に配置します。この次元はチャネルの次元に対応します。その後、Alpha を、形状変更後の RawAlpha の値に置き換えます。
tempLayer.Alpha = reshape(tempLayer.RawAlpha,[1,1,numel(tempLayer.RawAlpha)])
tempLayer =
PreluLayer with properties:
Name: 'p_re_lu_1'
RawAlpha: [20×1 single]
Learnable Parameters
Alpha: [1×1×20 single]
Show all properties
layers の p_re_lu_1 層を tempLayer に置き換えます。
layers = replaceLayer(layers,'p_re_lu_1', tempLayer);
layers.Layers(4)ans =
PreluLayer with properties:
Name: 'p_re_lu_1'
RawAlpha: [20×1 single]
Learnable Parameters
Alpha: [1×1×20 single]
Show all properties
これで、p_re_lu_1 層にベクトル値のスケーリング パラメーターが設定されました。
入力引数
名前と値の引数
出力引数
制限
importKerasLayersは、次のように TensorFlow-Keras の各バージョンをサポートします。この関数は、バージョン 2.2.4 までの TensorFlow-Keras を完全にサポートします。
この関数は、バージョン 2.2.5 ～ 2.4.0 の TensorFlow-Keras を制限付きでサポートします。
詳細
ヒント
Deep Learning Toolbox Converter for TensorFlow Models によってサポートされない層 (サポートされている Keras 層を参照) がネットワークに含まれる場合、
importKerasLayersは、サポートされない層の代わりにプレースホルダー層を挿入します。ネットワークに含まれるサポート対象外の層の名前とインデックスを見つけるには、関数findPlaceholderLayersを使用します。その後、プレースホルダー層を、ユーザーが定義した新しい層に置き換えることができます。層を置き換えるには、replaceLayerを使用します。プレースホルダー層を、ユーザーが定義した新しい層に置き換えることができます。
ネットワークが系列ネットワークの場合、配列内で層を直接置き換えます。たとえば、
layer(2) = newlayer;のようにします。ネットワークが DAG ネットワークの場合、
replaceLayerを使用して層を置き換えます。
多入力多出力 (MIMO) の Keras ネットワークをインポートできます。ネットワークに、入力の入力サイズ情報および出力の損失情報が含まれている場合は、
importKerasNetworkを使用します。それ以外の場合はimportKerasLayersを使用します。関数importKerasLayersは、入力と出力のプレースホルダー層を挿入します。インポートした後に、findPlaceholderLayersとreplaceLayerを使用して、プレースホルダー層の検索と置換をそれぞれ行えます。多入力多出力の深層学習ネットワークの詳細については、多入力および多出力ネットワークを参照してください。事前学習済みのネットワークを新しいイメージの予測または転移学習に使用するには、インポートしたモデルの学習に使用したイメージと同じようにイメージを前処理しなければなりません。最も一般的な前処理ステップは、イメージのサイズ変更、イメージの平均値の減算、イメージの BGR 形式から RGB 形式への変換です。
学習および予測用のイメージの前処理の詳細については、イメージの深層学習向け前処理を参照してください。
MATLAB は 1 ベースのインデックスを使用しますが、Python® は 0 ベースのインデックスを使用します。つまり、配列の最初の要素のインデックスは、MATLAB と Python でそれぞれ 1 と 0 になります。MATLAB のインデックスの詳細については、配列インデックス付けを参照してください。MATLAB で、Python で作成されたインデックス (
ind) の配列を使用するには、配列をind+1に変換します。その他のヒントについては、TensorFlow、PyTorch、および ONNX からモデルをインポートする際のヒントを参照してください。
代替機能
HDF5 形式または JSON 形式で TensorFlow-Keras ネットワークをインポートするには、
importKerasNetworkまたはimportKerasLayersを使用します。TensorFlow ネットワークが SavedModel 形式の場合は、importTensorFlowNetworkまたはimportTensorFlowLayersを使用します。カスタム TensorFlow-Keras 層をインポートする場合、またはソフトウェアが TensorFlow-Keras 層を同等の組み込み MATLAB 層に変換できない場合、
importTensorFlowNetworkまたはimportTensorFlowLayersを使用して、カスタム層の生成を試みることができます。たとえば、importTensorFlowNetworkとimportTensorFlowLayersは、TensorFlow-KerasLambda層をインポートするときにカスタム層を生成します。
参照
[1] Keras: The Python Deep Learning library. https://keras.io.
