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

例

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 演算子をパッケージ +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。

例

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

すべて折りたたむ

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

この例では次を使用します。

ライブスクリプトを開く

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

この例では次を使用します。

ライブスクリプトを開く

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

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

ans = 1×2

    28    28

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) で書式設定。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

この例では次を使用します。

ライブスクリプトを開く

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'};

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.

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パッケージ +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,PackageName)

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

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

end

入力引数

すべて折りたたむ

`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、層グラフ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、層グラフ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、層グラフ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パッケージ +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。

`PackageName` — カスタム層パッケージの名前
文字ベクトル | string スカラー

importTensorFlowNetwork がカスタム層を保存するパッケージの名前。文字ベクトルまたは string スカラーとして指定します。importTensorFlowNetwork は、カスタム層のパッケージ +PackageName を現在のフォルダーに保存します。'PackageName' 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 という名前のパッケージに保存します。パッケージの詳細については、パッケージによる名前空間の作成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、+PackageName 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。

パッケージ +PackageName には、サブパッケージ +ops を含めることもできます。このサブパッケージには、自動生成されたカスタム層で使用される TensorFlow 演算子 (サポートされている TensorFlow 演算子を参照) 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 関数をサブパッケージ +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: 'PackageName','MobileNet'

例: 'PackageName','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

すべて折りたたむ

`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)。

制限

importTensorFlowNetwork は、TensorFlow バージョン v2.0 ～ 2.6 をサポートします。

詳細

すべて折りたたむ

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'` 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`
`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`
`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`
`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。
パッケージ +PackageName の親フォルダーが MATLAB パス上にない場合、このパッケージのメンバー (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、パッケージと MATLAB パス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

すべて展開する

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

importTensorFlowNetwork

構文

説明

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

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

TensorFlow ネットワークのインポートとカスタム層の自動生成

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

名前と値の引数

PackageName — カスタム層パッケージの名前 文字ベクトル | string スカラー

TargetNetwork — Deep Learning Toolbox ネットワークのターゲット タイプ 'dagnetwork' (既定値) | 'dlnetwork'

OutputLayerType — 出力層のタイプ 'classification' | 'regression' | 'pixelclassification'

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

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

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

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

制限

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

サポートされている TensorFlow-Keras 損失関数

サポートされている TensorFlow 演算子

インポートされたネットワーク用のコードの生成

GPU におけるインポートしたネットワークの使用

ヒント

代替機能

参照

バージョン履歴

R2023b: importTensorFlowNetwork は削除予定

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

参考

トピック

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

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

`modelFolder` — TensorFlow モデルフォルダーの名前
文字ベクトル | string スカラー

`PackageName` — カスタム層パッケージの名前
文字ベクトル | string スカラー

`TargetNetwork` — Deep Learning Toolbox ネットワークのターゲットタイプ
`'dagnetwork'` (既定値) | `'dlnetwork'`

`OutputLayerType` — 出力層のタイプ
`'classification'` | `'regression'` | `'pixelclassification'`

`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

`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

`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`

`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

R2023b: `importTensorFlowNetwork` は削除予定

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