文档

connectLayers

在图层图中连接图层

折叠所有页面

语法

newlgraph = connectLayers(lgraph,s,d)

描述

例子

newlgraph= connectLayers (lgraph，年代，d）连接源层年代到目标层d在图层图中lgraph．新的图层图，newlgraph，包含相同的层lgraph并包括新的连接。

例子

全部折叠

打开实时脚本

创建一个附加层，有两个输入和名称“add_1”．

add = addtionlayer (2，“名字”，“add_1”）
add =附加层属性:Name: 'add_1' NumInputs: 2 InputNames: {'in1' 'in2'}

创建两个ReLU层，并将它们连接到附加层。加法层将ReLU层的输出相加。

relu_1 = relullayer (“名字”，“relu_1”）;relu_2 = relullayer (“名字”，“relu_2”）;lgraph = layerGraph;lgraph = addLayers(lgraph,relu_1);lgraph = addLayers(lgraph,relu_2);lgraph = addLayers(lgraph,add);lgraph = connectLayers(“relu_1”，“add_1 /三机一体”）;lgraph = connectLayers(“relu_2”，“add_1 / in2”）;情节(lgraph)

打开实时脚本

为深度学习创建一个简单的有向无环图(DAG)网络。训练网络对数字图像进行分类。本例中的简单网络包括:

  • 一种主分支，层按顺序连接。

  • 一个快捷方式连接包含单个1乘1卷积层。快捷连接使参数梯度更容易地从输出层流向网络的早期层。

创建网络的主要分支作为层数组。加法层对多个输入元素进行相加。指定添加层要求和的输入数量。所有的层都必须有名称，并且所有的名称必须是唯一的。

图层= [imageInputLayer([28 28 1]，“名字”，“输入”16) convolution2dLayer(5日,“填充”，“相同”，“名字”，“conv_1”) batchNormalizationLayer (“名字”，“BN_1”) reluLayer (“名字”，“relu_1”32岁的)convolution2dLayer (3“填充”，“相同”，“步”2,“名字”，“conv_2”) batchNormalizationLayer (“名字”，“BN_2”) reluLayer (“名字”，“relu_2”32岁的)convolution2dLayer (3“填充”，“相同”，“名字”，“conv_3”) batchNormalizationLayer (“名字”，“BN_3”) reluLayer (“名字”，“relu_3”) additionLayer (2“名字”，“添加”) averagePooling2dLayer (2“步”2,“名字”，“avpool”) fullyConnectedLayer (10“名字”，“俱乐部”) softmaxLayer (“名字”，“softmax”) classificationLayer (“名字”，“classOutput”));

从图层数组创建一个图层图。layerGraph连接所有的层层按顺序。绘制层图。

lgraph = layerGraph(图层);图绘制(lgraph)

创建1 × 1卷积层，并将其添加到图层图中。函数的激活大小与卷积滤波器的激活大小相匹配“relu_3”层。的输出“skipConv”而且“relu_3”层。要检查图层是否在图中，请绘制图层图。

skipConv =卷积2dlayer (1,32，“步”2,“名字”，“skipConv”）;lgraph = addLayers(lgraph,skipConv);图绘制(lgraph)

创建快捷连接“relu_1”图层到“添加”层。因为您在创建加法层时指定了2作为输入的数量，所以该层有两个名为“三机”而且“in2”．的“relu_3”层已经连接到“三机”输入。连接“relu_1”图层到“skipConv”图层和“skipConv”图层到“in2”的输入“添加”层。的输出求和“relu_3”而且“skipConv”层。要检查各层是否正确连接，请绘制层图。

lgraph = connectLayers(“relu_1”，“skipConv”）;lgraph = connectLayers(“skipConv”，“添加/ in2”）;图绘制(lgraph);

加载训练和验证数据，这些数据由28 × 28灰度数字图像组成。

[XTrain,YTrain] = digitTrain4DArrayData;[XValidation,YValidation] = digitTest4DArrayData;

指定培训选项并对网络进行培训。trainNetwork每次使用验证数据验证网络ValidationFrequency迭代。

选项= trainingOptions(“个”，.．.“MaxEpochs”8.．.“洗牌”，“every-epoch”，.．.“ValidationData”{XValidation, YValidation},.．.“ValidationFrequency”30岁的.．.“详细”假的,.．.“阴谋”，“训练进步”）;net = trainNetwork(XTrain,YTrain,lgraph,options);

显示训练后网络的属性。网络是一个DAGNetwork对象。

网
net = DAGNetwork with properties: Layers: [16×1 nnet.cnn.layer.Layer] Connections: [16×2 table]

对验证图像进行分类并计算精度。这个网络非常准确。

ypredict = classification (net,XValidation);accuracy = mean(yexpected == YValidation)
准确度= 0.9968

输入参数

全部折叠

层图，指定为aLayerGraph对象。要创建图层图，请使用layerGraph．

连接源，指定为字符向量或字符串标量。

  • 如果源层只有一个输出，那么年代是层的名称。

  • 如果源层有多个输出，则年代是层名后面跟着字符/和层输出的名称:“layerName / outputName”．

例子:“conv1”

例子:“mpool /指数”

连接目的地，指定为字符向量或字符串标量。

  • 如果目标层只有一个输入，那么d是层的名称。

  • 如果目标层有多个输入，则d是层名后面跟着字符/和层输入的名称:“layerName / inputName”．

例子:“俱乐部”

例子:“addlayer1 / in2”

输出参数

全部折叠

输出层图，返回为LayerGraph对象。

另请参阅

||||||

主题

在R2017b中引入

深度学习工具箱文档
金宝app

试试MATLAB、Sim金宝appulink和其他产品下载188bet金宝搏

现在就去审判吧