importNetworkFromPyTorch
R2026b説明
Add-On Required: この機能には Deep Learning Toolbox Converter for PyTorch Models アドオンが必要です。
net = importNetworkFromPyTorch(modelfile)modelfile からインポートします。PyTorch モデルは、エクスポートされたプログラムまたはトレースされたモデルでなければなりません。エクスポートされたプログラム モデルは、より多くの Deep Learning Toolbox™ の組み込み層をもつモデルであるため、推奨されます。
モデルをインポート用に準備するために、PyTorch version 2.8 を使用してモデルをエクスポートすることを試みてください。モデルをエクスポートできない場合は、トレースします。詳細については、ヒントを参照してください。次のコードは、PyTorch モデルをインポート用に準備するために必要な手順の概要を示します。
# Ensure the layers are set to inference mode.
model.eval()
# Move the model to the CPU.
model.to("cpu")
# Generate input data.
X = torch.rand(1,3,224,224)
# For ExportedProgram models
# Export the model and save it in PyTorch version 2.8.
exported_model = torch.export.export(model, (X,))
torch.export.save(exported_model, 'myModel.pt2')
# For traced models
# Trace the model and save it.
traced_model = torch.jit.trace(model.forward, X)
traced_model.save('myModel.pt')
ヒント
ディープ ネットワーク デザイナーを使用して PyTorch モデルを対話形式でインポートします。インポート時に、アプリは注意が必要な問題の詳細を含むインポート レポートを表示します。詳細については、外部のプラットフォームからのネットワークのインポートを参照してください。
net = importNetworkFromPyTorch(modelfile,Name=Value)Namespace="CustomLayers" は、生成されたカスタム層と関連する関数を現在のフォルダーの +CustomLayers 名前空間に保存します。
ヒント
トレースされたモデルの場合、名前と値の引数 PyTorchInputSizes が指定されていると、この関数はより多くの Deep Learning Toolbox の組み込み層を返すことがあります。
例
CIFAR-10 [1] データで学習させた PyTorch モデルをインポートします。このモデルは、以下の Python コードを使用し、PyTorch version 2.8 において、エクスポートされたプログラムというモデル形式で保存されました。
X = torch.rand(1,3,32,32) exported_model = torch.export.export(model, (X,)) torch.export.save(exported_model, "exported_pytorch_model.pt2")
詳細については、学習済みの PyTorch モデルのエクスポートと保存を参照してください。
modelfile = "exported_pytorch_model.pt2";
net = importNetworkFromPyTorch(modelfile)Importing the model, this may take a few minutes...
net =
dlnetwork with properties:
Layers: [9×1 nnet.cnn.layer.Layer]
Connections: [11×2 table]
Learnables: [86×3 table]
State: [42×3 table]
InputNames: {'InputLayer1'}
OutputNames: {'ResidualNetSmall:fc'}
Initialized: 1
View summary with summary.
インポート後にネットワークを変更する場合、ResidualNetSmall:fc 層への入力は PyTorch ネットワークと同じ順序である必要があります。たとえば、元の PyTorch ネットワークの線形層への入力が 1 行 64 列だった場合、ResidualNetSmall:fc 層への入力も 1 行 64 列である必要があります。
次に、インポートされたネットワーク層を分析します。
analyzeNetwork(net)
インポートされたネットワークは、組み込みの MATLAB 層とカスタム層で構成されています。
[1] Krizhevsky, Alex. "Learning multiple layers of features from tiny images." (2009). https://www.cs.toronto.edu/~kriz/learning-features-2009-TR.pdf
CIFAR-10 [1] データ セットで学習させた PyTorch モデルをインポートします。このモデルは、PyTorch version 2.8 において、エクスポートされたプログラムというモデル形式で保存されました。
詳細については、学習済みの PyTorch モデルのエクスポートと保存を参照してください。
modelfile = "exported_pytorch_model.pt2";
net = importNetworkFromPyTorch(modelfile)Importing the model, this may take a few minutes...
net =
dlnetwork with properties:
Layers: [9×1 nnet.cnn.layer.Layer]
Connections: [11×2 table]
Learnables: [86×3 table]
State: [42×3 table]
InputNames: {'InputLayer1'}
OutputNames: {'ResidualNetSmall:fc'}
Initialized: 1
View summary with summary.
この関数は、dlnetwork オブジェクトとしてモデルをインポートします。
CIFAR-10 データ セットをダウンロードします。このデータ セットには 60,000 個のイメージが格納されています。各イメージのサイズは 32×32 ピクセルで 3 つのカラー チャネル (RGB) があります。データ セットのサイズは 175 MB です。インターネット接続の速度によっては、ダウンロード プロセスに時間がかかることがあります。
datadir = tempdir; downloadCIFARData(datadir);
CIFAR-10 テスト イメージを 4 次元配列として読み込みます。テスト セットには 10,000 個のイメージが格納されています。CIFAR-10 テスト イメージをネットワークの検証用に使用します。
[~,~,XValidation,TValidation] = loadCIFARData(datadir);
テスト データから抽出したイメージとラベルを表示します。
idx=1;
Im = XValidation(:,:,:,idx);
imshow(Im)
title("Label: "+string(TValidation(idx)))
イメージをdlarrayオブジェクトに変換します。"SSCB" (空間、空間、チャネル、バッチ) の次元でイメージの形式を整えます。
Im_dlarray = dlarray(single(Im),"SSCB");イメージを分類し、予測されたラベルを見つけます。
prob = predict(net,Im_dlarray);
predLabel = scores2label(prob,categories(TValidation));
disp("The predicted label is "+string(predLabel))The predicted label is cat
[1] Krizhevsky, Alex. "Learning multiple layers of features from tiny images." (2009). https://www.cs.toronto.edu/~kriz/learning-features-2009-TR.pdf
名前と値の引数 PyTorchInputSizes を使用して、事前学習済みかつトレース済みの PyTorch モデルを初期化された dlnetwork オブジェクトとしてインポートします。詳細な手順については、学習済みの PyTorch モデルのトレースと保存を参照してください。
この例では、MNASNet (Copyright© Soumith Chintala 2016) PyTorch モデルをインポートします。MNASNet は、ImageNet データベースのイメージを使って学習させるイメージ分類モデルです。MathWorks の Web サイトから、mnasnet1_0.pt ファイルをダウンロードします。ファイルのサイズは約 17 MB です。
modelfile = matlab.internal.examples.downloadSupportFile("nnet", ... "data/PyTorchModels/mnasnet1_0.pt");
名前と値の引数 PyTorchInputSizes が指定された importNetworkFromPyTorch 関数を使用して、MNASNet モデルをインポートします。224x224 のカラー イメージがこの PyTorch モデルの有効な入力サイズであることがわかっています。ソフトウェアは、イメージのバッチに対して入力層を自動的に作成して追加します。これにより、1 行のコードでネットワークを初期化されたネットワークとしてインポートすることができます。
net = importNetworkFromPyTorch(modelfile,PyTorchInputSizes=[NaN,3,224,224])
Importing the model, this may take a few minutes...
net =
dlnetwork with properties:
Layers: [4×1 nnet.cnn.layer.Layer]
Connections: [3×2 table]
Learnables: [210×3 table]
State: [104×3 table]
InputNames: {'InputLayer1'}
OutputNames: {'MNASNet:classifier'}
Initialized: 1
View summary with summary.
ネットワークは予測に使用する準備ができています。
入力引数
名前と値の引数
出力引数
制限
importNetworkFromPyTorch関数は、PyTorch version 2.8 で作成されたエクスポート済みネットワークをサポートします。この関数は、他のバージョンの PyTorch で作成されたトレース済みネットワークをサポートできる場合があります。動的な形状でエクスポートされた
ExportedProgram形式のモデルのインポートはサポートされていません。コード生成では、インポートしたネットワークに
networkLayerオブジェクトが含まれている場合、コード生成のために保存する前に、expandLayersを使用してネットワークを展開しなければなりません。
詳細
ヒント
PyTorch モデルをインポート用に準備するには、トレースではなく
torch.export.export()を使用したエクスポートが推奨されます。ExportedProgram形式は、モデルの計算グラフ、入力と出力の仕様、パラメーターを決定論的な構造で取り込む、フレームワーク非依存の安定したファイルを提供します。この形式により、ソフトウェアは、初期化され、より多くの MATLAB の組み込み層で構成されたモデルをインポートできます。トレースされたモデルをインポートする際に、PyTorch の層を MATLAB の組み込み層としてより適切にインポートできるようにするには、
PyTorchInputSizesを指定します。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。
名前空間
+の親フォルダーが MATLAB パス上にない場合、この名前空間のメンバーにアクセスすることはできません。詳細については、名前空間と MATLAB パスを参照してください。NamespaceMATLAB 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。Python ライブラリの競合が発生した場合は、
pyenv関数を使用して、名前と値の引数ExecutionModeを"OutOfProcess"として指定します。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。
アルゴリズム
importNetworkFromPyTorch 関数は、次の手順を順番に試し、PyTorch 層を MATLAB にインポートします。
関数は、PyTorch 層を組み込みの MATLAB 層としてインポートすることを試みます。詳細については、PyTorch 層の変換を参照してください。
関数は、PyTorch 層を組み込みの MATLAB 関数としてインポートすることを試みます。詳細については、PyTorch 層の変換を参照してください。
関数は、PyTorch 層をカスタム層としてインポートすることを試みます。
importNetworkFromPyTorchは、生成されたカスタム層および関連する関数を+名前空間に保存します。Namespace関数は、プレースホルダー関数を含むカスタム層として PyTorch 層をインポートします。プレースホルダー関数は、ネットワークを使用する前に補完しなければなりません。プレースホルダー関数を参照してください。
最初の 3 つのケースでは、インポートされたネットワークは初期化後に予測の準備が整います。
代替機能
アプリ
ディープ ネットワーク デザイナーアプリを使用して、外部プラットフォームからネットワークをインポートすることもできます。アプリは importNetworkFromPyTorch 関数を使用してネットワークをインポートし、進行状況ダイアログ ボックスを表示します。インポート プロセス中に、アプリはネットワークに入力層を追加し (可能な場合)、注意が必要な問題の詳細を含むインポート レポートを表示します。ネットワークをインポートした後、ネットワークを対話的に編集、可視化、および解析できます。ネットワークの編集が完了したら、それを Simulink® にエクスポートするか、ネットワークを構築するための MATLAB コードを生成できます。
ブロック
PyTorch Model Predict ブロックを使用して PyTorch ネットワークを扱うこともできます。このブロックを使用すると、Python 関数を読み込んでデータを前処理および後処理したり、入力端子と出力端子を対話的に構成したりすることもできます。
