importTensorFlowNetwork
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。
説明
net = importTensorFlowNetwork(modelFolder)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 + に保存します。 modelFolder
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)'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
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)])
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}]) 
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
名前と値の引数
出力引数
詳細
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。
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 (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、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。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.
