主要内容

分层图

用于深度学习的网络层图

展开页面中的所有内容

描述

层图指定具有更复杂图结构的深度学习网络的体系结构，其中层可以有来自多个层的输入和输出到多个层。这种结构的网络称为有向无环图(DAG)网络。创建一个分层图对象，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。使用层图作为训练网络的层输入参数Trainnetwork.．

创建

语法

Lgraph = layerGraph.
lgraph = layerGraph(层)
Lgraph = LayerGraph（Dagnet）
Lgraph = LayerGraph（DLNET）

描述

例子

lgraph= layerGraph创建一个不包含层的空层图。控件为空图添加层addLayers函数。

例子

lgraph=分层图（层）从网络层数组创建层图，并设置层财产。层数lgraph是按照相同的顺序连接的吗层．所有层必须有唯一的、非空的名称。

例子

lgraph=分层图（Dagnet.）提取一个DAGNetwork．例如，可以提取预先训练过的网络的层图来进行迁移学习。

lgraph=分层图（DLNET.）提取一个dlnetwork.．使用此语法来使用dlnetwork.与之Trainnetwork.函数或深网络设计师．

输入参数

展开全部

DAG网络，指定为aDAGNetwork目的。

用于自定义培训循环的网络，指定为dlnetwork.目的。

为dlnetwork.输入，软件从学习参数中提取数字数据并将其转换为单精度。

属性

展开全部

网络图层，指定为a层大批。

层连接，指定为具有两列的表。

每个表行表示层图中的一个连接。第一列,来源，指定每个连接的源。第二列，目的地，指定每个连接的目标。连接源和目的地是层名称或具有表单“layerName / IOName”， 在哪里'ionamam'输入或输出层的名称。

数据类型：桌子

网络输入层名称，指定为字符向量的单元数组。

数据类型：细胞

网络输出层名称，指定为字符向量的单元格数组。

数据类型：细胞

对象功能

addLayers 添加图层到图层图形
removeLayers 从图层图中删除图层
replaceLayer 在图层图中替换图层
ConnectLayers. 在层图中连接层
脱圆形连接 断开层图中的图层
阴谋 绘制神经网络层图

例子

全部收缩

打开直播脚本

创建一个空图层图形和图层数组。将层添加到层图中并绘制图形。addLayers按顺序连接图层。

Lgraph = layerGraph;图层= [imageInputLayer（[32 32 3]，“名字”，“输入”）卷积2dlayer（3,16，'填充'，'相同的'，“名字”，'conv_1'batchnormalizationlayer（“名字”，'bn_1') reluLayer (“名字”，“relu_1”）];Lgraph = Addlayers（LAGHAGH，层）;图绘制(lgraph)

图中包含一个轴。这些轴包含一个graphplot类型的对象。

打开直播脚本

创建一个图层数组。

图层= [imageInputLayer（[28 28 1]，“名字”，“输入”）卷积2dlayer（3,16，'填充'，'相同的'，“名字”，'conv_1'batchnormalizationlayer（“名字”，'bn_1') reluLayer (“名字”，“relu_1”）];

从图层阵列创建一个图层图。分层图连接所有图层层按顺序。绘制层图。

lgraph = layerGraph(层);图绘制(lgraph)

图中包含一个轴。这些轴包含一个graphplot类型的对象。

打开直播脚本

加载一个预先训练的SqueezeNet网络。您可以使用这个经过训练的网络进行分类和预测。

net =挤压;

要修改网络结构，请首先通过使用提取DAG网络的结构分层图．然后，您可以使用对象功能LayerGraph修改网络架构。

lgraph = layerGraph(净)
lgraph = LayerGraph with properties: Layers: [68x1 nnet.cnn.layer.Layer] Connections: [75x2 table] InputNames: {'data'} OutputNames: {'ClassificationLayer_predictions'}
打开直播脚本

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

  • 层按顺序连接的主分支。

  • 一个快捷方式连接包含一个单一的1 × 1卷积层。快捷连接使参数梯度更容易地从输出层流到网络的早期层。

以层数组的形式创建网络的主要分支。加法层按元素方式对多个输入进行求和。指定要相加的添加层的输入数。所有层必须有名称，所有名称必须是唯一的。

图层= [imageInputLayer（[28 28 1]，“名字”，“输入”16) convolution2dLayer(5日,'填充'，'相同的'，“名字”，'conv_1'batchnormalizationlayer（“名字”，'bn_1') reluLayer (“名字”，“relu_1”32岁的)convolution2dLayer (3'填充'，'相同的'，“步”2，“名字”，'conv_2'batchnormalizationlayer（“名字”，'bn_2') reluLayer (“名字”，“relu_2”32岁的)convolution2dLayer (3'填充'，'相同的'，“名字”，'conv_3'batchnormalizationlayer（“名字”，'bn_3') reluLayer (“名字”，“relu_3”）附加层（2，“名字”，“添加”) averagePooling2dLayer (2“步”2，“名字”，“avpool”）全连接层（10，“名字”，'fc'）softmaxlayer（“名字”，“softmax”scassificationlayer（“名字”，“classOutput”）];

从图层阵列创建一个图层图。分层图连接所有图层层按顺序。绘制层图。

lgraph = layerGraph(层);图绘制(lgraph)

创建一个1-1卷积层并将其添加到图层图中。指定卷积滤波器和步幅的数量，以便激活大小与激活大小匹配“relu_3”层。这种安排使添加层能够添加输出“skipConv”和“relu_3”层。要检查该层是否在图中，请绘制该层图。

Skipconv = Convolution2Dlayer（1,32，“步”2，“名字”，“skipConv”）;lgraph = addLayers (lgraph skipConv);图绘制(lgraph)

创建快捷连接“relu_1”层的“添加”层。因为您在创建添加层时指定了两个输入数，所以添加层有两个输入名'in1'和“in2”．这“relu_3”层已经连接到'in1'输入。连接“relu_1”层的“skipConv”层和“skipConv”层的“in2”输入的“添加”层。加法层现在对“relu_3”和“skipConv”层。要检查图层是否正确连接，请绘制图层图。

lgraph = connectLayers (lgraph,“relu_1”，“skipConv”）;lgraph = connectLayers (lgraph,“skipConv”，'添加/ in2'）;图图（LGraph）;

加载培训和验证数据，该数据由28×28灰度图像组成。

[xtrain，ytrain] = DigitTrain4darraydata;[xvalidation，yvalidation] = dimittest4darraydata;

指定培训选项并培训网络。Trainnetwork.使用每个验证数据验证网络ValidationFrequency迭代。

选项=培训选项（'sgdm'，．..“MaxEpochs”8．..'洗牌'，'每个时代'，．..'vightationdata'，{xvalidation，yvalidation}，．..'验证职业'，30，．..'verbose'，错误的，．..“阴谋”，“训练进步”）;net = trainnetwork（xtrain，ytrain，3.选项）;

显示培训网络的属性。网络是一个DAGNetwork目的。

网
连接:[16×2 table] InputNames: {'input'} OutputNames: {'classOutput'}

对验证图像进行分类并计算准确率。这个网络非常精确。

ypredictict =分类（net，xvalidation）;精度=均值（ypredicted == yvalidation）
精度= 0.9930.

尖端

  • 图层图无法指定长短期内存（LSTM）网络的体系结构。有关如何创建LSTM网络的详细信息，请参阅长短时记忆网络．

另请参阅

|||||||||||||||||||

话题

介绍了R2017b

深度学习工具箱文档

金宝app

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书