python - 是否可以将经过训练的 CNN 存储为 .mat 文件并使用该文件在 Python 中制定分类算法？

Question

我在 MATLAB 2019b 中创建了一个 CNN，训练后的 CNN 存储在名为“trainednet.mat”的文件中。我想知道如何在 Python 中加载经过训练的 .mat 文件并在 Python 中对图像进行分类，而不是在 MATLAB 2019b 上加载它。我尝试使用 h5py 将 .mat 文件转换为 .h5 文件，以便我可以在 keras 中使用它，但它不起作用。我还听说过 scipy 中的一个名为 sio.loadmat 的函数 docs.scipy.org/doc/scipy/reference/tutorial/io.html 但我不确定这是否可以用于在 python 中实现。如果正确实现，我上面提到的方法会起作用吗？还是有其他方法来解决这个问题？

Answer 1

一个简短的答案是，这是可能的，但是，它并不轻松，因为您需要在 python 代码中重新创建网络的一部分(至少是用于预测的部分)。它仅适用于 numpy 和 scipy，也可以使用 PyTorch/TensorFlow 重新创建以利用 GPU。

<小时/>

您提到的trainednet.mat可能存储了神经网络的权重，您需要根据原始模型(matlab中的模型)重新创建神经网络的架构，即执行python 中的矩阵计算。

正如您所提到的，您将首先通过 scipy 加载 .mat

from scipy.io import loadmat

parameters = loadmat("trainednet.mat")

现在 parameters 是一个 Python 字典，其结构很大程度上取决于您的网络。对于每种 CNN，以下细节会有所不同，但基本工作流程类似于:

def predict(img, parameters):
    # the kind of saved parameters
    # your trainednet.mat should have weights for something like
    # w1,w2,w3,w4... for weights of convolutional layers
    #                    weights of dense layers
    # b3,b4...       for any bias from layers

    # convolution operation
    z = convolution(..., img, w1) 
    # ReLU non-linearity
    z[z<=0] = 0 

    # convolution operation
    z = convolution(..., z, w2)
    # ReLU non-linearity
    z[z<=0] = 0 

    z = maxpool(z, ...).reshape(...) # maxpooling operation

    # dense layer with bias
    z = w3.dot(z) + b3 
    # ReLU non-linearity
    z[z<=0] = 0

    # second dense layer with bias
    z = w4.dot(z) + b4 

    # predict class probabilities
    probs = softmax(z) 
    return probs


from scipy.ndimage import imread
img = imread(FILENAME, mode="RGB")

predict(img, parameters)

除了卷积运算极其棘手之外，大部分部分都很容易实现。如果您确实想走这条路，那么使用 NN 库可能会更好。

<小时/>

简而言之，将相同的代码(神经网络架构中的代码)从 ma​​tlab 重新实现到 python 是可能的，但需要付出大量的努力。您可以引用this guide作为在 python 中转换 matlab 预训练网络的入门工具。