importTensorFlowNetwork

(削除予定) 事前学習済みの TensorFlow ネットワークのインポート

R2021a 以降

importTensorFlowNetwork 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。

構文

net = importTensorFlowNetwork(modelFolder)

net = importTensorFlowNetwork(modelFolder,Name,Value)

説明

net = importTensorFlowNetwork(modelFolder) は、SavedModel 形式 (これは TensorFlow™ 2 とのみ互換性があります) でモデルが格納されているフォルダー modelFolder から事前学習済みの TensorFlow ネットワークをインポートします。この関数は、TensorFlow-Keras の Sequential API または Functional API を使用して作成された TensorFlow ネットワークをインポートできます。importTensorFlowNetwork は、saved_model.pb ファイルで定義された層、および variables サブフォルダーに格納された学習済みの重みをインポートし、ネットワーク net を DAGNetwork オブジェクトまたは dlnetwork オブジェクトとして返します。

importTensorFlowNetwork を使用するには、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、importTensorFlowNetwork によってダウンロード用リンクが表示されます。

メモ

カスタムの TensorFlow 層をインポートしたとき、またはソフトウェアが TensorFlow 層をそれと等価な組み込みの MATLAB^® 層に変換できないとき、importTensorFlowNetwork はカスタム層の生成を試みます。ソフトウェアによる変換がサポートされている層の一覧については、組み込みの MATLAB 層への変換がサポートされている TensorFlow-Keras 層を参照してください。

importTensorFlowNetwork は、生成されたカスタム層および関連する TensorFlow 演算子を名前空間 +modelFolder に保存します。

importTensorFlowNetwork は、組み込みの MATLAB 層への変換がサポートされていない各 TensorFlow 層のカスタム層を自動生成しません。サポートされていない層の処理方法の詳細については、ヒントを参照してください。

net = importTensorFlowNetwork(modelFolder,Name,Value) は、1 つ以上の名前と値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 ネットワークをインポートします。たとえば、'OutputLayerType','classification' はネットワークを DAGNetwork としてインポートしますが、その際、インポートされたネットワーク アーキテクチャの末尾に分類出力層が追加されます。

例

TensorFlow ネットワークのイメージ分類用 DAGNetwork としてのインポート

SavedModel 形式で保存された事前学習済みの TensorFlow ネットワークを DAGNetwork オブジェクトとしてインポートし、インポートしたネットワークを使用してイメージを分類します。

モデル フォルダーを指定します。

if ~exist('digitsDAGnet','dir')
    unzip('digitsDAGnet.zip')
end
modelFolder = './digitsDAGnet';

クラス名を指定します。

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

SavedModel 形式で保存された TensorFlow ネットワークをインポートします。既定では、importTensorFlowNetwork はネットワークを DAGNetwork オブジェクトとしてインポートします。イメージ分類問題用に出力層のタイプを指定します。

net = importTensorFlowNetwork(modelFolder,'OutputLayerType','classification','Classes',classNames)

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

net = 
  DAGNetwork 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(net)
title('DAG Network Architecture')

分類するイメージを読み取り、そのイメージのサイズを表示します。このイメージは、サイズが 28×28 ピクセルであるグレースケール (1 チャネル) のイメージです。

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

ans = 1×2

    28    28

ネットワークの入力サイズを表示します。今回の場合、イメージ サイズはネットワークの入力サイズと一致しています。それらが一致していない場合は、imresize(I, netInputSize(1:2)) を使用してイメージのサイズを変更しなければなりません。

net.Layers(1).InputSize

ans = 1×3

    28    28     1

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)])

TensorFlow ネットワークのイメージ分類用 dlnetwork としてのインポート

SavedModel 形式で保存された事前学習済みの TensorFlow ネットワークを dlnetwork オブジェクトとしてインポートし、インポートしたネットワークを使用してクラス ラベルを予測します。

モデル フォルダーを指定します。

if ~exist('digitsDAGnet','dir')
    unzip('digitsDAGnet.zip')
end
modelFolder = './digitsDAGnet';

クラス名を指定します。

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

SavedModel 形式で保存された TensorFlow ネットワークを dlnetwork オブジェクトとしてインポートします。

net = importTensorFlowNetwork(modelFolder,'TargetNetwork','dlnetwork')

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

net = 
  dlnetwork with properties:

         Layers: [12×1 nnet.cnn.layer.Layer]
    Connections: [12×2 table]
     Learnables: [6×3 table]
          State: [0×3 table]
     InputNames: {'input_1'}
    OutputNames: {'activation_1'}
    Initialized: 1

分類するイメージを読み取り、そのイメージのサイズを表示します。このイメージは、サイズが 28×28 ピクセルであるグレースケール (1 チャネル) のイメージです。

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

ans = 1×2

    28    28

ネットワークの入力サイズを表示します。今回の場合、イメージ サイズはネットワークの入力サイズと一致しています。それらが一致していない場合は、imresize(I, netInputSize(1:2)) を使用してイメージのサイズを変更しなければなりません。

netInputSize = net.Layers(1).InputSize

netInputSize = 1×3

    28    28     1

イメージを dlarray に変換します。イメージを次元 'SSCB' (spatial、spatial、channel、batch) で形式を整えます。この場合、バッチ サイズは 1 であるため、バッチ サイズを省略できます ('SSC')。

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

サンプル 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,I_dlarray);
[~,label] = max(prob);

イメージと分類結果を表示します。

imshow(I)
title(['Classification result ' classNames{label}]) 

TensorFlow ネットワークのインポートとカスタム層の自動生成

SavedModel 形式で保存された事前学習済みの TensorFlow ネットワークを DAGNetwork オブジェクトとしてインポートし、インポートしたネットワークを使用してイメージを分類します。インポートしたネットワークには、組み込みの MATLAB 層への変換がサポートされていない層が含まれています。これらの層をインポートすると、カスタム層がソフトウェアによって自動生成されます。

この例では、補助関数 findCustomLayers を使用します。この関数のコードを見るには、補助関数を参照してください。

モデル フォルダーを指定します。

if ~exist('digitsDAGnetwithnoise','dir')
    unzip('digitsDAGnetwithnoise.zip')
end
modelFolder = './digitsDAGnetwithnoise';

クラス名を指定します。

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

SavedModel 形式で保存された TensorFlow ネットワークをインポートします。既定では、importTensorFlowNetwork はネットワークを DAGNetwork オブジェクトとしてインポートします。イメージ分類問題用に出力層のタイプを指定します。

net = importTensorFlowNetwork(modelFolder,'OutputLayerType','classification','Classes',classNames);

Warning: 'importTensorFlowNetwork' is not recommended and will be removed in a future release. To import TensorFlow models, use importNetworkFromTensorFlow function.

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

インポートしたネットワークに、組み込みの MATLAB 層への変換がサポートされていない層が含まれている場合、importTensorFlowNetwork は、これらの層の代わりにカスタム層を自動生成できます。importTensorFlowNetwork は、生成した各カスタム層を、現在のフォルダー内の名前空間 +digitsDAGnetwithnoise に個別の .m ファイルとして保存します。

補助関数 findCustomLayers を使用して、自動生成されたカスタム層のインデックスを見つけ、このカスタム層を表示します。

ind = findCustomLayers(net.Layers,'+digitsDAGnetwithnoise');
net.Layers(ind)

ans = 
  3×1 Layer array with layers:

     1   'concatenate_1'      Concatenate     digitsDAGnetwithnoise.kConcatenate1Layer3826
     2   'gaussian_noise_1'   GaussianNoise   digitsDAGnetwithnoise.kGaussianNoise1Layer3766
     3   'gaussian_noise_2'   GaussianNoise   digitsDAGnetwithnoise.kGaussianNoise2Layer3791

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')

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)])

補助関数

この節では、この例で使用されている補助関数 findCustomLayers のコードを示します。findCustomLayers は、importTensorFlowNetwork によって自動生成されたカスタム層の indices を返します。

function indices = findCustomLayers(layers,Namespace)

s = what(['.' filesep Namespace]);

indices = zeros(1,length(s.m));
for i = 1:length(layers)
    for j = 1:length(s.m)
        if strcmpi(class(layers(i)),[Namespace(2:end) '.' s.m{j}(1:end-2)])
            indices(j) = i;
        end
    end
end

end

入力引数

modelFolder — TensorFlow モデル フォルダーの名前

文字ベクトル | string スカラー

TensorFlow モデルが含まれるフォルダーの名前。文字ベクトルまたは string スカラーとして指定します。modelFolder は現在のフォルダー内になければなりません。そうでない場合は、フォルダーへの絶対パスまたは相対パスを指定しなければなりません。modelFolder には、ファイル saved_model.pb およびサブフォルダー variables が含まれていなければなりません。このフォルダーには、サブフォルダー assets および assets.extra も含めることができます。

• ファイル saved_model.pb には、モデルのアーキテクチャと学習オプション (オプティマイザー、損失、メトリクスなど) が格納されます。

• サブフォルダー variables には、事前学習済みの TensorFlow ネットワークによって学習された重みが格納されます。既定では、importTensorFlowNetwork は重みをインポートします。

• サブフォルダー assets には、モデルが使用できる補足ファイル (語彙など) が格納されます。importTensorFlowNetwork は、このファイルを assets にインポートしません。

• サブフォルダー assets.extra には、モデルと共存する補足ファイル (ユーザーのための情報など) が格納されます。

例: 'MobileNet'

例: './MobileNet'

名前と値の引数

オプションの引数のペアを Name1=Value1,...,NameN=ValueN として指定します。ここで、Name は引数名で、Value は対応する値です。名前と値の引数は他の引数の後に指定しなければなりませんが、ペアの順序は重要ではありません。

R2021a より前では、コンマを使用して名前と値をそれぞれ区切り、Name を引用符で囲みます。

例: importTensorFlowNetwork(modelFolder,'TargetNetwork','dagnetwork','OutputLayerType','classification') は、ネットワークを DAGNetwork オブジェクトとして modelFolder からインポートし、自動生成したカスタム層を現在のフォルダー内の名前空間 +modelFolder に保存して、インポートしたネットワーク アーキテクチャの末尾に分類出力層を追加します。

Namespace — カスタム層名前空間の名前

文字ベクトル | string スカラー

importTensorFlowNetwork がカスタム層を保存する名前空間の名前。文字ベクトルまたは string スカラーとして指定します。importTensorFlowNetwork は、カスタム層の名前空間 +Namespace を現在のフォルダーに保存します。Namespace を指定しない場合、importTensorFlowNetwork は、カスタム層を現在のフォルダー内の +modelFolder という名前の名前空間に保存します。名前空間の詳細については、Create Namespacesを参照してください。

カスタムの TensorFlow 層をインポートしたとき、またはソフトウェアが TensorFlow 層をそれと等価な組み込みの MATLAB 層に変換できないとき、importTensorFlowNetwork はカスタム層の生成を試みます。importTensorFlowNetwork は、生成した各カスタム層を、+Namespace で個別の .m ファイルとして保存します。カスタム層を表示または編集するには、関連する .m ファイルを開きます。カスタム層の詳細については、カスタム層を参照してください。

名前空間 +Namespace には、内部の名前空間 +ops を含めることもできます。この内部の名前空間には、自動生成されたカスタム層で使用される TensorFlow 演算子 (Supported TensorFlow Operatorsを参照) に対応する MATLAB 関数が格納されます。importTensorFlowNetwork は、各演算子に関連する MATLAB 関数を内部の名前空間 +ops 内の個別の .m ファイルに保存します。dlnetwork のオブジェクト関数 (関数 predict など) は、カスタム層とやり取りするときにこれらの演算子を使用します。

例: Namespace="MobileNet"

例: Namespace="CustomLayers"

TargetNetwork — Deep Learning Toolbox ネットワークのターゲット タイプ

'dagnetwork' (既定値) | 'dlnetwork'

Deep Learning Toolbox ネットワークのターゲット タイプ。'dagnetwork' または 'dlnetwork' として指定します。

• ネットワークを DAGNetwork オブジェクトとしてインポートするには、'TargetNetwork を 'dagnetwork' として指定します。この場合、net には、TensorFlow の SavedModel 損失関数または名前と値の引数 'OutputLayerType' によって指定された出力層が含まれていなければなりません。

• ネットワークを dlnetwork オブジェクトとしてインポートするには、'TargetNetwork を 'dlnetwork' として指定します。この場合、net には出力層が含まれません。

例: 'TargetNetwork','dlnetwork'

OutputLayerType — 出力層のタイプ

'classification' | 'regression' | 'pixelclassification'

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 importTensorFlowNetwork 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。

• 'TargetNetwork' を 'dagnetwork' として指定し、modelFolder 内の SavedModel によって損失関数が指定されていない場合、名前と値の引数 'OutputLayerType' に値を割り当てなければなりません。DAGNetwork オブジェクトは出力層をもたなければなりません。

• 'TargetNetwork' を 'dlnetwork' として指定した場合、importTensorFlowNetwork は名前と値の引数 'OutputLayerType' を無視します。dlnetwork オブジェクトは出力層をもちません。

例: 'OutputLayerType','classification'

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。modelFolder 内の saved_model.pb ファイル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。

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 を指定した場合、importTensorFlowNetwork によって出力層のクラスが categorical(str,str) に設定されます。Classes が 'auto' の場合、importTensorFlowNetwork によってクラスが categorical(1:N) に設定されます。ここで、N はクラスの数です。

• 'TargetNetwork' を 'dagnetwork' として指定した場合、importTensorFlowNetwork は、クラスに関する情報を DAGNetwork オブジェクトの出力層に保存します。

• 'TargetNetwork' を 'dlnetwork' として指定した場合、importTensorFlowNetwork は名前と値の引数 'Classes' を無視します。dlnetwork オブジェクトは、クラスに関する情報を保存する出力層をもちません。

例: 'Classes',{'0','1','3'}

例: 'Classes',categorical({'dog','cat'})

データ型: char | categorical | string | cell

Verbose — インポートの進行状況を表示するかどうかのインジケーター

true または 1 (既定値) | false または 0

コマンド ウィンドウにインポートの進行状況を表示するかどうかのインジケーター。数値または logical の 1 (true) か 0 (false) として指定します。

例: 'Verbose','true'

出力引数

net — 事前学習済みの TensorFlow ネットワーク

DAGNetwork オブジェクト | dlnetwork オブジェクト

事前学習済みの TensorFlow ネットワーク。DAGNetwork オブジェクトまたは dlnetwork オブジェクトとして返されます。

• ネットワークを DAGNetwork オブジェクトとしてインポートするには、'TargetNetwork を 'dagnetwork' として指定します。その後、DAGNetwork オブジェクト上で、関数 classify を使用してクラス ラベルを予測します。

• ネットワークを dlnetwork オブジェクトとしてインポートするには、'TargetNetwork を 'dlnetwork' として指定します。その後、dlnetwork オブジェクト上で、関数 predict を使用してクラス ラベルを予測します。正しいデータ形式を使用して、入力データを dlarray として指定します (詳細については、dlarray の引数 fmt を参照してください)。

詳細

組み込みの MATLAB 層への変換がサポートされている TensorFlow-Keras 層

importTensorFlowNetwork 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 gelu relu linear softmax sigmoid swish tanh	層: eluLayer geluLayer 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' (PaddingValue を averagePooling1dLayer として指定)
AveragePooling2D	'mean' (PaddingValue を averagePooling2dLayer として指定)
BatchNormalization	batchNormalizationLayer
Bidirectional(LSTM(__))	bilstmLayer
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、importTensorFlowNetwork 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 TensorFlow-Keras 損失関数

importTensorFlowNetwork 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

サポートされている TensorFlow 演算子

importTensorFlowNetwork は、dlarray がサポートされた MATLAB 関数への変換を行う次の TensorFlow 演算子をサポートします。

TensorFlow 演算子	対応する MATLAB 関数
Add	tfAdd
AddN	tfAddN
AddV2	tfAdd
All	tfAll
Assert	assert
AvgPool	tfAvgPool
BatchMatMulV2	tfBatchMatMulV2
BiasAdd	tfBiasAdd
BroadcastTo	tfBroadcastTo
Cast	tfCast
ConcatV2	tfCat
Const	なし (カスタム層内の重みに変換される)
Conv2D	tfConv2D
DepthToSpace	depthToSpace (Image Processing Toolbox)
DepthwiseConv2dNative	tfDepthwiseConv2D
Equal	==
Exp	exp
ExpandDims	tfExpandDims
Fill	tfFill
FusedBatchNormV3	tfBatchnorm
GatherV2	tfGather
Greater	gt>
GreaterEqual	ge, >=
Identity	なし (カスタム層内の値の割り当てに変換される)
IdentityN	tfIdentityN
L2Loss	tfL2Loss
LeakyRelu	leakyrelu
Less	lt, <
Log	log
MatMul	tfMatMul
MaxPool	tfMaxPool
Maximum	tfMaximum
Mean	tfMean
Minimum	tfMinimum
MirrorPad	tfMirrorPad
Mul	tfMul
NoOp	なし (演算子は無視されます)
Neg	minus, -
NonMaxSuppressionV5	tfNonMaxSuppressionV5
Pack	tfStack
Pad	tfPad
PadV2	tfPad
PartitionedCall	なし (カスタム層のメソッド内の関数に変換される)
Pow	power, .^
Prod	tfProd
RandomStandardNormal	tfRandomStandardNormal
Range	tfRange
ReadVariableOp	なし (カスタム層内の値の割り当てに変換される)
RealDiv	tfDiv
Relu	relu
Relu6	relu および min
Reshape	tfReshape
ResizeBilinear	dlresize (Image Processing Toolbox)
ResizeNearestNeighbor	dlresize (Image Processing Toolbox)
Rsqrt	sqrt
Select	tfSelect
Shape	tfShape
Sigmoid	sigmoid
Size	tfSize
Slice	tfSlice
Softmax	softmax
SpaceToDepth	spaceToDepth (Image Processing Toolbox)
Split	tfSplit
Square	.^2
Sqrt	sqrt
SquaredDifference	tfMul または tfSub
Squeeze	tfSqueeze
StatefulPartitionedCall	なし (カスタム層のメソッド内の関数に変換される)
StopGradient	tfStopGradient
StridedSlice	tfStridedSlice または tfSqueeze
Sub	tfSub
Sum	tfSum
Tanh	tanh
Tile	tfTile
TopKV2	tfTopKV2
Transpose	tfTranspose
Unpack	tfUnpack
Where	tfWhere

dlarray オブジェクトを操作する関数の詳細については、dlarray をサポートする関数の一覧を参照してください。

インポートされたネットワーク用のコードの生成

MATLAB Coder™ または GPU Coder™ を Deep Learning Toolbox と共に使用して、インポートされたネットワーク用の MEX コード、スタンドアロン CPU コード、CUDA^® MEX コード、またはスタンドアロン CUDA コードを生成できます。詳細については、コード生成を参照してください。

• MATLAB Coder を Deep Learning Toolbox と共に使用して、デスクトップまたは組み込みターゲットで実行される MEX コードまたはスタンドアロン CPU コードを生成します。Intel^® MKL-DNN ライブラリまたは ARM^® Compute ライブラリを使用する生成済みのスタンドアロン コードを展開できます。あるいは、サードパーティ ライブラリの関数を呼び出さない汎用の C/C++ コードを生成することもできます。詳細については、MATLAB Coder を使用した深層学習 (MATLAB Coder)を参照してください。

• GPU Coder を Deep Learning Toolbox と共に使用して、デスクトップまたは組み込みターゲットで実行される CUDA MEX コードまたはスタンドアロン CUDA コードを生成します。CUDA 深層ニューラル ネットワーク ライブラリ (cuDNN)、TensorRT™ 高性能推論ライブラリ、または Mali GPU 向け ARM Compute ライブラリを使用する生成済みのスタンドアロン CUDA コードを展開できます。詳細については、GPU Coder を使用した深層学習 (GPU Coder)を参照してください。

importTensorFlowNetwork は、ネットワーク net を DAGNetwork オブジェクトまたは dlnetwork オブジェクトとして返します。これらのオブジェクトは両方ともコード生成をサポートします。MATLAB Coder オブジェクトおよび Deep Learning Toolbox オブジェクト用の GPU Coder サポートの詳細については、サポートされているクラス (MATLAB Coder)およびサポートされているクラス (GPU Coder)をそれぞれ参照してください。

コード生成をサポートする層をもつあらゆるインポート済みネットワーク用にコードを生成できます。MATLAB Coder および GPU Coder を使用したコード生成をサポートする層のリストについては、サポートされている層 (MATLAB Coder)およびサポートされている層 (GPU Coder)をそれぞれ参照してください。各組み込み MATLAB 層のコード生成機能と制限の詳細については、各層の拡張機能の節を参照してください。例については、imageInputLayer のコード生成とGPU コード生成を参照してください。

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 importTensorFlowNetwork は実行されません。ただし、importTensorFlowNetwork 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 dlnetwork オブジェクトとしてインポートします。

• ネットワークを DAGNetwork オブジェクトとしてインポートした場合、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、DAGNetwork オブジェクト用の関数 predict を使用します。

• ネットワークを DAGNetwork オブジェクトとしてインポートした場合、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。

• ネットワークを dlnetwork オブジェクトとしてインポートした場合、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。入力データとネットワーク パラメーターのいずれかが GPU に保存されている場合、関数 predict を GPU で実行できます。

  • minibatchqueue を使用して入力データのミニバッチの処理と管理を行う場合、GPU が使用可能であれば、出力は minibatchqueue オブジェクトによって GPU 配列に変換されます。

  • dlupdate を使用して、dlnetwork オブジェクトの学習可能パラメーターを GPU 配列に変換します。

    net = dlupdate(@gpuArray,net)

• 関数 trainnet および trainNetwork を使用して、CPU または GPU で、インポート済みのネットワークに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™ ライセンス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の詳細については、GPU 計算の要件 (Parallel Computing Toolbox)を参照してください。

ヒント

• インポートしたネットワークに、組み込みの MATLAB 層への変換がサポートされていない層が含まれており (組み込みの MATLAB 層への変換がサポートされている TensorFlow-Keras 層を参照)、importTensorFlowNetwork がカスタム層を生成しない場合、importTensorFlowNetwork はエラーを返します。この場合でも、importTensorFlowLayers を使用してネットワーク アーキテクチャをインポートできます。

• 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。

  • 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 +Namespace 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 (カスタム層および TensorFlow 演算子) にアクセスすることはできません。詳細については、Namespaces and the MATLAB Path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、Tips on Importing Models from TensorFlow, PyTorch, and ONNXを参照してください。

代替機能

TensorFlow ネットワークを SavedModel 形式でインポートするには、importTensorFlowNetwork または importTensorFlowLayers を使用します[2]。または、ネットワークが HDF5 形式か JSON 形式の場合は、importKerasNetwork か importKerasLayers を使用してネットワークをインポートします。

参照

[1] TensorFlow. https://www.tensorflow.org/.

[2] Using the SavedModel format. https://www.tensorflow.org/guide/saved_model.

バージョン履歴

R2021a で導入

R2023b: importTensorFlowNetwork は削除予定

R2023b 以降、関数 importTensorFlowNetwork は警告を出力します。代わりに importNetworkFromTensorFlow を使用してください。関数 importNetworkFromTensorFlow は、importTensorFlowNetwork と比べて次の利点があります。

• TensorFlow モデルを 1 回の手順で dlnetwork オブジェクトにインポートできる

• 入出力の情報が未知であるモデルをインポートするための簡素化されたワークフローが用意されている

• 名前と値の引数が改善され、より簡単にインポート オプションを指定できる

R2023a: importTensorFlowNetwork は、連結のためのカスタム層を作成する

関数 importTensorFlowNetwork は、組み込みの Deep Learning Toolbox 層の concatenationLayer または depthConcatenationLayer の代わりに、TensorFlow-Keras Concatenate 層のための自動生成されたカスタム層を返します。この関数は以前、concatenationLayer または depthConcatenationLayer を使用し、インポートされるネットワークの入力層に基づいて連結軸の値を仮定していました。しかし、一部の複雑なネットワークでは、この仮定が当てはまらない場合があります。そのため、ソフトウェアは自動生成されたカスタム層を使用して連結を実行します。自動生成されたカスタム層により、実行時に TensorFlow-Keras Concatenate 層が MATLAB に正しく変換されます。

参考

importNetworkFromTensorFlow | importTensorFlowLayers | exportNetworkToTensorFlow | importNetworkFromPyTorch | importKerasNetwork | importKerasLayers | importONNXNetwork | importONNXLayers | exportONNXNetwork

トピック

• Interoperability Between Deep Learning Toolbox, TensorFlow, PyTorch, and ONNX
• Tips on Importing Models from TensorFlow, PyTorch, and ONNX
• Inference Comparison Between TensorFlow and Imported Networks for Image Classification
• 事前学習済みの深層ニューラル ネットワーク
• Deploy Imported TensorFlow Model with MATLAB Compiler