文件帮助中心文件
分析深度学习网络架构
分析(净)
分析(层)
分析(LGROPH)
分析(DLNET)
分析(LAPHAGRAGE,'Targetusage',Target)
用分析为了可视化和理解网络的体系结构,检查您是否已正确定义了架构,并在培训前检测问题。问题分析检测包括缺失或未连接的层,不正确的层输入,层输入的不正确数,图形结构无效。
分析
例子
分析(网)分析系列网络或者Dagnetwork.目的网。该功能显示网络架构的交互式可视化,并提供有关网络层的详细信息。图层信息包括层激活和学习参数的大小,学习参数的总数,以及经常性层的状态参数的大小。
分析(网)
网
系列网络
Dagnetwork.
小费
以交互式可视化,分析和培训网络,使用DeepNetWorkDesigner(网)。有关更多信息,请参阅深网络设计师。
DeepNetWorkDesigner(网)
分析(层数)分析图层阵列层数并检测错误和问题Trainnetwork.工作流程。
分析(层数)
层数
Trainnetwork.
分析(LGRAPH.)分析图层图LGRAPH.并检测错误和问题Trainnetwork.工作流程。
分析(LGRAPH.)
LGRAPH.
分析(DLNET.)分析dlnetwork.自定义训练循环工作流的对象。不支持具有未连接输入的网络。金宝app
分析(DLNET.)
DLNET.
dlnetwork.
分析(LGRAPH.,'targetusage',目标)分析图层图LGRAPH.对于指定的目标工作流程。在分析图层图时使用此语法dlnetwork.工作流程。
分析(LGRAPH.,'targetusage',目标)
目标
全部收缩
装载佩带的Googlenet卷积神经网络。
net = googlenet.
net =具有属性的Dagnetwork:图层:[144×1 nnet.cnn.layer.layer]连接:[170×2表]
分析网络。分析显示网络架构的交互式图和包含有关网络层信息的表。
使用左侧的绘图调查网络架构。在图中选择一个图层。所选层在绘图和层表中突出显示。
在表中,查看层信息(如图层属性,图层类型和大小的层次)和学习参数的大小。层的激活是该层的输出。
在网络中选择更深层。请注意,在空间尺寸(前两个维度)中,更深层的激活较小,并且在通道尺寸(最后一维)中更大。使用该结构使卷积神经网络能够逐渐增加提取的图像特征的数量,同时降低空间分辨率。
通过单击图层表的右上角的箭头显示每层学习参数的总数,然后选择学术总量。要按列值对图层表进行排序,请将鼠标悬停在列标题上,然后单击出现的箭头。例如,您可以通过从学习参数的总数进行排序,确定哪些图层包含最多参数。
使用快捷连接创建一个简单的卷积网络。将网络的主分支创建为图层数组,并从图层阵列中创建一个图层图。分层图连接所有图层层数顺序地。
分层图
图层= [imageInputLayer([32 32 3],'名称'那'输入')卷积2dlayer(5,16,'填充'那'相同的'那'名称'那'conv_1')剥离('名称'那'relu_1')卷积2dlayer(3,16,'填充'那'相同的'那'走吧'2,'名称'那'conv_2')剥离('名称'那'relu_2')附加层(2,'名称'那'Add1')卷积2dlayer(3,16,'填充'那'相同的'那'走吧'2,'名称'那'conv_3')剥离('名称'那'relu_3')附加层(3,'名称'那'Add2')全连接层(10,'名称'那'fc'scassificationlayer('名称'那'输出')];Lgraph = LayerGraph(层);
创建快捷方式连接。其中一个快捷连接包含单个1×1卷积层Skipconv.。
Skipconv.
Skipconv = Convolution2dlayer(1,16,'走吧'2,'名称'那'skipconv');Lgraph = Addlayers(LAPHAGH,SKIPCONV);Lgraph = ConnectLayers(LAPHAGE,'relu_1'那'Add1 / In2');Lgraph = ConnectLayers(LAPHAGE,'Add1'那'Add2 / In2');
分析网络架构。分析在网络中查找四个错误。
调查并修复网络中的错误。在此示例中,以下问题导致错误:
输出类概率的软MAX层必须在分类层之前。修复错误输出分类图层,在分类层之前添加软MAX层。
输出
这Skipconv.图层未连接到网络的其余部分。它应该是捷径连接的一部分Add1.和Add2.层。要修复此错误,请连接Add1.至Skipconv.和Skipconv.至Add2.。
Add1.
Add2.
这Add2.将图层指定为具有三个输入,但图层只有两个输入。要修复错误,请指定输入的数量2。
2
所有输入到加法层必须具有相同的大小,但是Add1.图层有两个具有不同大小的输入。因为这Conv_2.层有一个'走吧'值为2,该层在前两个维度(空间尺寸)中将激活倍数倍数。从中调整输入大小relu2.层使其具有与输入相同的大小relu1.,通过设置删除下采样'走吧'价值Conv_2.第1层。
Conv_2.
'走吧'
relu2.
relu1.
从此示例的开头将这些修改应用于图层图构造,并创建了一个新的图层图。
图层= [imageInputLayer([32 32 3],'名称'那'输入')卷积2dlayer(5,16,'填充'那'相同的'那'名称'那'conv_1')剥离('名称'那'relu_1')卷积2dlayer(3,16,'填充'那'相同的'那'走吧',1,'名称'那'conv_2')剥离('名称'那'relu_2')附加层(2,'名称'那'Add1')卷积2dlayer(3,16,'填充'那'相同的'那'走吧'2,'名称'那'conv_3')剥离('名称'那'relu_3')附加层(2,'名称'那'Add2')全连接层(10,'名称'那'fc')softmaxlayer('名称'那'softmax');ClassificationLayer('名称'那'输出')];Lgraph = LayerGraph(层);Skipconv = Convolution2dlayer(1,16,'走吧'2,'名称'那'skipconv');Lgraph = Addlayers(LAPHAGH,SKIPCONV);Lgraph = ConnectLayers(LAPHAGE,'relu_1'那'Add1 / In2');Lgraph = ConnectLayers(LAPHAGE,'Add1'那'skipconv');Lgraph = ConnectLayers(LAPHAGE,'skipconv'那'Add2 / In2');
分析新架构。新网络不包含任何错误,并已准备好培训。
为自定义训练循环创建一个图层图。对于自定义训练循环工作流程,图层图不得具有输出层。
图层= [imageInputLayer([28 28 1],'正常化'那'没有任何'那'名称'那'输入')卷积2dlayer(5,20,'名称'那'conv1'batchnormalizationlayer('名称'那'bn1')剥离('名称'那'relu1')卷积2dlayer(3,20,'填充',1,'名称'那'conv2'batchnormalizationlayer('名称'那'bn2')剥离('名称'那'relu2')卷积2dlayer(3,20,'填充',1,'名称'那'conv3'batchnormalizationlayer('名称'那'bn3')剥离('名称'那'relu3')全连接层(10,'名称'那'fc')softmaxlayer('名称'那'softmax')];Lgraph = LayerGraph(层);
使用该层图分析图层图分析功能并设置'targetusage'选择'dlnetwork'。
'targetusage'
'dlnetwork'
分析(LGraph,'targetusage'那'dlnetwork')
在这里,该函数未报告图层图的任何问题。
训练有素的网络,指定为a系列网络或者Dagnetwork.目的。您可以通过导入佩带的网络(例如,使用)来获得培训的网络googlenet.功能)或使用自己的网络使用Trainnetwork.。
googlenet.
层
网络图层,指定为a层大批。
有关内置图层列表,请参阅深度学习层名单。
图层图,指定为a分层图目的。要创建图层图,请使用分层图。
用于自定义训练循环的网络,指定为adlnetwork.目的。
'trainnetwork'
目标工作流程,指定为以下之一:
'trainnetwork'- 分析用于使用的层图Trainnetwork.功能。例如,该功能检查图层图是否具有输出层且没有断开连接的层输出。
'dlnetwork'- 分析用于使用的层图dlnetwork.对象。例如,该功能检查图层图没有任何输出层。
汇编|Dagnetwork.|深网络设计师|分层图|阴谋|系列网络|Trainnetwork.
汇编
阴谋
您有此示例的修改版本。您是否希望使用您的编辑打开此示例?
您单击了与此MATLAB命令对应的链接:
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,以便在可用的地方进行翻译的内容,并查看本地活动和优惠。根据您的位置,我们建议您选择:。
您还可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。
联系您当地的办公室