分析
分析深度学习网络架构
描述
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。
例子
分析培训的网络
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。
分析（净）
修复网络架构中的错误
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。
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 = 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。
分析（LGROPH）
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。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.。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。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。
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。
分析（LGROPH）
分析定制训练循环的图层图
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'。
分析（LGraph，'targetusage'那'dlnetwork'）
在这里，该函数未报告图层图的任何问题。
输入参数
也可以看看
您还可以从以下列表中选择一个网站：
