### 如何在 MATLAB 中加载 ONNX 模型 MATLAB 提供了 `importONNXLayers` 和 `importONNXNetwork` 函数来支持导入和加载 ONNX（Open Neural Network Exchange）模型[^1]。这些函数允许用户将外部训练好的神经网络转换为 MATLAB 的深度学习框架可以使用的层对象或可执行的 `dlnetwork` 对象。 以下是具体方法以及示例代码： #### 使用 `importONNXNetwork` 加载整个网络 如果目标是从头到尾加载完整的 ONNX 网络并将其作为 `dlnetwork` 对象使用，则可以调用 `importONNXNetwork` 函数。此函数会返回一个可以直接用于预测或其他操作的 `dlnetwork` 实例[^2]。 ```matlab % 假设有一个名为 'model.onnx' 的文件位于当前工作目录下 net = importONNXNetwork('model.onnx', 'OutputLayerType', 'classification'); ``` 在此命令中，参数 `'OutputLayerType'` 可选设置为 `'classification'` 或 `'regression'` 来指定输出层的行为模式[^3]。 #### 使用 `importONNXLayers` 导入单独的层结构 当仅需获取组成该 ONNX 文件中的各独立层定义而非整体运行环境时，可以选择通过 `importONNXLayers` 方法实现这一目的。这通常适用于自定义修改原有架构或者进一步扩展其功能的情况[^4]。 ```matlab layers = importONNXLayers('model.onnx'); ``` 得到的是一个包含所有必要组件在内的 Layer Array 列表形式表示法，之后可以根据实际需求对其进行调整优化后再重新组合成新的计算图实例化过程。 #### 示例：完成端到端流程演示 下面给出一段综合性的例子展示如何利用上述两种方式之一读取预训练权重数据集进而实施分类任务推断逻辑处理步骤说明如下所示: ```matlab % Step 1: Load the ONNX model as a dlnetwork object. onnxModelPath = fullfile(matlabroot,'toolbox','nnet','deeplearning','examples',... 'squeezenet-onnx','squeezeNet.onnx'); % Example path to an ONNX file loadedNet = importONXNetwork(onnxModelPath, 'OutputLayerType', 'classification'); % Step 2: Prepare input data (e.g., image preprocessing). inputImage = imread('peppers.png'); processedInput = imresize(inputImage,[227 227]); % Resize according to network requirements. % Convert RGB values into range [-1,1], which is typical normalization step for many pretrained networks. normalizedData = double(processedInput)/255 * 2 - 1; % Reshape and permute dimensions so that it matches expected format by dlarray. dlInput = dlarray(single(permute(normalizedData,[3 1 2])),{'SSC'}); % Step 3: Perform prediction using imported network. predictions = predict(loadedNet, dlInput); % Display top predicted class label along with confidence score. [classLabels,scores] = max(predictions,[],3); disp(['Predicted Class Label:', num2str(classLabels)]); disp(['Confidence Score:' ,num2str(scores)]); ``` 以上脚本片段展示了从加载 ONNX 格式的 SqueezeNet 架构开始直到最终得出测试样本所属类别标签及其对应置信度得分之间的完整链路描述[^5]。 ---