layerGraph
用于深度学习的网络层图
描述
层图指定了深度学习网络的体系结构，具有更复杂的图结构，其中层可以有来自多层的输入和到多层的输出。具有这种结构的网络称为有向无环图(DAG)网络。在创建一个layerGraph对象，您可以使用对象函数绘制图形，并通过添加、删除、连接和断开层来修改它。为了训练网络，使用层图作为层输入参数trainNetwork．
创建
语法
描述
输入参数
属性
对象的功能
addLayers |
在图层图中添加图层 |
removeLayers |
从图层图中移除图层 |
replaceLayer |
替换层中的层图 |
connectLayers |
在图层图中连接图层 |
disconnectLayers |
断开图层图中的图层 |
情节 |
绘制神经网络层图 |
例子
给图层图添加图层
创建一个空的图层图和一个图层数组。将图层添加到图层图中并绘制图形。addLayers按顺序连接层。
lgraph = layerGraph;图层= [imageInputLayer([32 32 3]，“名字”，“输入”) convolution2dLayer(3, 16岁,“填充”，“相同”，“名字”，“conv_1”) batchNormalizationLayer (“名字”，“BN_1”) reluLayer (“名字”，“relu_1”));lgraph = addLayers(lgraph,layers);图绘制(lgraph)
从图层数组创建图层图
创建一个图层数组。
图层= [imageInputLayer([28 28 1]，“名字”，“输入”) convolution2dLayer(3, 16岁,“填充”，“相同”，“名字”，“conv_1”) batchNormalizationLayer (“名字”，“BN_1”) reluLayer (“名字”，“relu_1”));
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)
提取DAG网络的层图
加载预先训练好的挤压网。如果深度学习工具箱™模型为SqueezeNet网络金宝app支持包未安装时，则软件提供下载链接。你可以使用这个训练过的网络进行分类和预测。
网=挤压网;
为了修改网络结构，首先使用提取DAG网络的结构layerGraph．的对象函数LayerGraph修改网络架构。
lgraph = layerGraph(net)
lgraph = LayerGraph with properties: Layers: [68x1 nnet.cnn.layer.Layer] Connections: [75x2 table] InputNames: {'data'} OutputNames: {'ClassificationLayer_predictions'}
创建简单的DAG网络
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
提示
层图不能指定长短期记忆(LSTM)网络的结构。有关如何创建LSTM网络的详细信息，请参见长短期记忆网络．
另请参阅
DAGNetwork|addLayers|additionLayer|analyzeNetwork|assembleNetwork|connectLayers|depthConcatenationLayer|disconnectLayers|googlenet|inceptionresnetv2|inceptionv3|情节|removeLayers|replaceLayer|resnet101|resnet18|resnet50|squeezenet|trainNetwork
在R2017b中引入
您也可以从以下列表中选择一个网站:
