このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。

importKerasNetwork

事前学習済みの Keras ネットワークおよび重みのインポート

構文

net = importKerasNetwork(modelfile)

net = importKerasNetwork(modelfile,Name,Value)

説明

net = importKerasNetwork(modelfile) は、事前学習済みの TensorFlow™ -Keras ネットワークとその重みを modelfile からインポートします。

この関数には、Deep Learning Toolbox™ Converter for TensorFlow Models サポート パッケージが必要です。このサポート パッケージがインストールされていない場合、関数によってダウンロード用リンクが表示されます。

net = importKerasNetwork(modelfile,Name,Value) は、1 つ以上の名前と値のペアの引数で指定された追加オプションを使用して、事前学習済みの TensorFlow -Keras ネットワークとその重みをインポートします。

たとえば、importKerasNetwork(modelfile,'WeightFile',weights) は、モデル ファイル modelfile からネットワークを、重みファイル weights から重みをインポートします。この場合、modelfile は HDF5 または JSON 形式にできます。重みファイルは HDF5 形式でなければなりません。

例

Deep Learning Toolbox Converter for TensorFlow Models のダウンロードおよびインストール

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 importKerasNetwork と入力します。

importKerasNetwork

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、必要なサポート パッケージへのリンクが関数によってアドオン エクスプローラーに表示されます。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' からネットワークをインポートして、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 DAGNetwork オブジェクトが返されます。

modelfile = 'digitsDAGnet.h5';
net = importKerasNetwork(modelfile)

Warning: Saved Keras networks do not include classes. Classes will be set to categorical(1:N), where N is the number of classes in the classification output layer of the network.  To specify classes, use the 'Classes' argument.

net = 
  DAGNetwork with properties:

         Layers: [13x1 nnet.cnn.layer.Layer]
    Connections: [13x2 table]
     InputNames: {'input_1'}
    OutputNames: {'ClassificationLayer_activation_1'}

Keras ネットワークのインポートとプロット

インポートするファイルを指定します。ファイル digitsDAGnet.h5 には、数字のイメージを分類する有向非循環グラフ畳み込みニューラル ネットワークが含まれています。

modelfile = 'digitsDAGnet.h5';

ネットワークをインポートします。

net = importKerasNetwork(modelfile)

Warning: Saved Keras networks do not include classes. Classes will be set to categorical(1:N), where N is the number of classes in the classification output layer of the network.  To specify classes, use the 'Classes' argument.

net = 
  DAGNetwork with properties:

         Layers: [13x1 nnet.cnn.layer.Layer]
    Connections: [13x2 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(net)
title('DAG Network Architecture')

Keras ネットワークと重みのインポート

インポートするネットワーク ファイルと重みファイルを指定します。

modelfile = 'digitsDAGnet.json';
weights = 'digitsDAGnet.weights.h5';

これは、数字データで学習させた有向非循環グラフ畳み込みニューラル ネットワークです。

ネットワーク アーキテクチャと重みを別々のファイルからインポートします。.json ファイルには、出力層、つまりコスト関数の情報がありません。ファイルをインポートするときに、出力層のタイプを指定します。

net = importKerasNetwork(modelfile,'WeightFile',weights, ...
      'OutputLayerType','classification')

Warning: Saved Keras networks do not include classes. Classes will be set to categorical(1:N), where N is the number of classes in the classification output layer of the network.  To specify classes, use the 'Classes' argument.

net = 
  DAGNetwork with properties:

         Layers: [13x1 nnet.cnn.layer.Layer]
    Connections: [13x2 table]
     InputNames: {'input_1'}
    OutputNames: {'ClassificationLayer_activation_1'}

事前学習済みの Keras ネットワークのインポートによるイメージの分類

モデル ファイルを指定します。

modelfile = 'digitsDAGnet.h5';

クラス名を指定します。

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

クラス名を使用して Keras ネットワークをインポートします。

net = importKerasNetwork(modelfile,'Classes',classNames);

分類するイメージを読み取ります。

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

事前学習済みのネットワークを使用してイメージを分類します。

label = classify(net,I);

イメージと分類結果を表示します。

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

入力引数

modelfile — Keras モデル ファイルの名前

文字ベクトル | string スカラー

ネットワーク アーキテクチャと重み (場合による) が含まれるモデル ファイルの名前。文字ベクトルまたは string スカラーとして指定します。ファイルは、MATLAB^® パス上のフォルダー内の現在のフォルダーに含まれていなければならず、そうでなければこのファイルの絶対パスまたは相対パスを含めなければなりません。

modelfile に含まれているものが以下の場合

• ネットワーク アーキテクチャと重みの場合、HDF5 (.h5) 形式でなければなりません。

• ネットワーク アーキテクチャのみの場合、HDF5 または JSON (.json) 形式にできます。

modelfile にネットワーク アーキテクチャのみが含まれる場合、名前と値のペアの引数 'WeightFile' を使用して、重みを HDF5 ファイルで指定しなければなりません。

例: 'digitsnet.h5'

データ型: char | string

名前と値の引数

例: importKerasNetwork(modelfile,'OutputLayerType','classification','Classes',classes) は、モデル ファイル modelfile からネットワークをインポートし、Keras 層の最後に分類問題用の出力層を追加して、classes を出力層のクラスに指定します。

オプションの引数 Name,Value のコンマ区切りペアを指定します。Name は引数名で、Value は対応する値です。Name は引用符で囲まなければなりません。Name1,Value1,...,NameN,ValueN のように、複数の名前と値のペアの引数を、任意の順番で指定できます。

WeightFile — 重みが含まれるファイルの名前

文字ベクトル | string スカラー

重みが含まれるファイルの名前。文字ベクトルまたは string スカラーとして指定します。WeightFile は、MATLAB パス上のフォルダー内の現在のフォルダーに含まれていなければならず、そうでなければこのファイルの絶対パスまたは相対パスを含めなければなりません。

例: 'WeightFile','weights.h5'

OutputLayerType — 出力層のタイプ

'classification' | 'regression' | 'pixelclassification'

modelfile で損失関数が指定されていない場合に、インポートされたネットワーク アーキテクチャの最後にこの関数によって追加される出力層のタイプ。'classification'、'regression'、または 'pixelclassification' として指定します。pixelClassificationLayer (Computer Vision Toolbox) オブジェクトを追加するには、Computer Vision Toolbox™ が必要です。

modelfile 内のネットワークに複数の出力がある場合、この引数を使用して出力層のタイプを指定することはできません。代わりに importKerasLayers を使用してください。importKerasLayers は、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。

例: 'OutputLayerType','regression'

ImageInputSize — 入力イメージのサイズ

2 個または 3 個の数値のベクトル

ネットワークの入力イメージのサイズ。グレースケール イメージの [height,width] またはカラー イメージの [height,width,channels] にそれぞれ対応する、2 個または 3 個の数値のベクトルとして指定します。modelfile で入力サイズが指定されていない場合、ネットワークはこの情報を使用します。

modelfile 内のネットワークに複数の入力がある場合、この引数を使用して入力サイズを指定することはできません。代わりに importKerasLayers を使用してください。importKerasLayers によって、入力のプレースホルダー層が挿入されます。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。

例: 'ImageInputSize',[28 28]

Classes — 出力層のクラス

'auto' (既定値) | categorical ベクトル | string 配列 | 文字ベクトルの cell 配列

出力層のクラス。categorical ベクトル、string 配列、文字ベクトルの cell 配列、または 'auto' として指定します。string 配列または文字ベクトルの cell 配列 str を指定すると、出力層のクラスが categorical(str,str) に設定されます。Classes が 'auto' の場合、クラスは categorical(1:N) に設定されます。ここで、N はクラスの数です。

データ型: char | categorical | string | cell

出力引数

net — 事前学習済みの Keras ネットワーク

SeriesNetwork オブジェクト | DAGNetwork オブジェクト

事前学習済みの Keras ネットワーク。次のいずれかとして返されます。

• Keras ネットワークのタイプが Sequential の場合、net は SeriesNetwork オブジェクトです。

• Keras ネットワークのタイプが Model の場合、net は DAGNetwork オブジェクトです。

制限

• importKerasNetwork 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

サポートされている Keras 層

importKerasNetwork は、組み込み MATLAB 層に変換可能な次のタイプの TensorFlow-Keras 層をサポートします (いくつかの制限があります)。

TensorFlow-Keras 層	対応する Deep Learning Toolbox の層
Add	additionLayer
Activation (活性化の名前を指定): 'elu' 'relu' 'linear' 'softmax' 'sigmoid' 'swish' 'tanh'	層: eluLayer reluLayer または clippedReluLayer なし softmaxLayer sigmoidLayer swishLayer tanhLayer
高度な活性化: ELU Softmax ReLU LeakyReLU PReLu*	層: eluLayer softmaxLayer reluLayer、clippedReluLayer または leakyReluLayer leakyReluLayer nnet.keras.layer.PreluLayer
AveragePooling1D	'mean' として指定された PaddingValue をもつ averagePooling1dLayer
AveragePooling2D	'mean' として指定された PaddingValue をもつ averagePooling2dLayer
BatchNormalization	batchNormalizationLayer
Bidirectional(LSTM(__))	bilstmLayer
Concatenate	depthConcatenationLayer
Conv1D	convolution1dLayer
Conv2D	convolution2dLayer
Conv2DTranspose	transposedConv2dLayer
CuDNNGRU	gruLayer
CuDNNLSTM	lstmLayer
Dense	fullyConnectedLayer
DepthwiseConv2D	groupedConvolution2dLayer
Dropout	dropoutLayer
Embedding	wordEmbeddingLayer (Text Analytics Toolbox)
Flatten	nnet.keras.layer.FlattenCStyleLayer
GlobalAveragePooling1D	globalAveragePooling1dLayer
GlobalAveragePooling2D	globalAveragePooling2dLayer
GlobalMaxPool1D	globalMaxPooling1dLayer
GlobalMaxPool2D	globalMaxPooling2dLayer
GRU	gruLayer
Input	imageInputLayer、sequenceInputLayer または featureInputLayer
LSTM	lstmLayer
MaxPool1D	maxPooling1dLayer
MaxPool2D	maxPooling2dLayer
Multiply	multiplicationLayer
SeparableConv2D	groupedConvolution2dLayer または convolution2dLayer
TimeDistributed	sequenceFoldingLayer (ラップされた層の前) および sequenceUnfoldingLayer (ラップされた層の後)
UpSampling2D	resize2dLayer (Image Processing Toolbox)
UpSampling3D	resize3dLayer (Image Processing Toolbox)
ZeroPadding1D	nnet.keras.layer.ZeroPadding1DLayer
ZeroPadding2D	nnet.keras.layer.ZeroPadding2DLayer

* PReLU 層の場合、importKerasNetwork によって、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。インポートした後に、このパラメーターをベクトルに戻すことができます。例については、Keras PReLU 層のインポートを参照してください。

サポートされている Keras 損失関数

importKerasNetwork は、次の Keras 損失関数をサポートします。

• mean_squared_error

• categorical_crossentropy

• sparse_categorical_crossentropy

• binary_crossentropy

GPU におけるインポートしたネットワークの使用

GPU 上では importKerasNetwork は実行されません。ただし、importKerasNetwork は、深層学習用の事前学習済みニューラル ネットワークを、GPU で使用可能な DAGNetwork オブジェクトまたは SeriesNetwork オブジェクトとしてインポートします。

• classify を使用して、インポートしたネットワークによる予測を CPU または GPU で実行できます。名前と値の引数 ExecutionEnvironment を使用して、ハードウェア要件を指定します。複数の出力があるネットワークの場合、関数 predict を使用します。

• predict を使用して、インポートしたネットワークによる予測を CPU または GPU で実行できます。名前と値の引数 ExecutionEnvironment を使用して、ハードウェア要件を指定します。ネットワークに複数の出力がある場合は、名前と値の引数 ReturnCategorical を true として指定します。

• trainNetwork を使用することにより、インポートしたネットワークに 1 つの CPU または 1 つの GPU で学習させることができます。実行環境のオプションを含む学習オプションを指定するには、関数 trainingOptions を使用します。名前と値の引数 ExecutionEnvironment を使用して、ハードウェア要件を指定します。学習を高速化する方法の詳細については、Scale Up Deep Learning in Parallel, on GPUs, and in the Cloudを参照してください。

GPU を使用するには Parallel Computing Toolbox™ とサポートされている GPU デバイスが必要です。サポートされているデバイスについては、リリース別の GPU サポート (Parallel Computing Toolbox)を参照してください。

ヒント

• ネットワークに、Deep Learning Toolbox Converter for TensorFlow Models がサポートしない層 (サポートされている Keras 層を参照) が含まれる場合、importKerasNetwork はエラー メッセージを返します。この場合でも、importKerasLayers を使用してネットワーク アーキテクチャと重みをインポートできます。

• 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。MIMO Keras ネットワークをインポートするワークフローは、MIMO ONNX™ ネットワークをインポートするワークフローと同じです。例については、Import and Assemble ONNX Network with Multiple Outputsを参照してください。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に行った前処理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。

  • イメージのサイズを変更するには、imresize を使用します。たとえば、imresize(image,[227,227,3]) のようにします。

  • RGB 形式から BGR 形式にイメージを変換するには、flip を使用します。たとえば、flip(image,3) のようにします。

  学習および予測用のイメージの前処理の詳細は、イメージの深層学習向け前処理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 ネットワークが保存済みモデル形式の場合は、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-Keras Lambda 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.

バージョン履歴

R2017b で導入

R2018b: 'ClassNames' オプションは削除予定

R2018b 以降は非推奨

'ClassNames' は削除される予定です。代わりに 'Classes' を使用してください。コードを更新するには、'ClassNames' のすべてのインスタンスを 'Classes' に置き換えます。分類出力層の対応するプロパティの間に多少の違いがある場合は、コードをさらに更新する必要があります。

分類出力層の ClassNames プロパティは文字ベクトルの cell 配列です。Classes プロパティは categorical 配列です。cell 配列入力を必要とする関数に Classes の値を使用するには、関数 cellstr を使用してクラスを変換します。

参考

importCaffeLayers | importCaffeNetwork | importKerasLayers | exportONNXNetwork | importONNXLayers | importONNXNetwork | importTensorFlowNetwork | importTensorFlowLayers

トピック

• イメージの深層学習向け前処理
• MATLAB による深層学習
• 事前学習済みの深層ニューラル ネットワーク
• Deploy Imported Network with MATLAB Compiler

×

例を開く

この例の変更されたバージョンがあります。編集された方の例を開きますか?

いいえ、変更されたバージョンを上書きします。 はい