SeriesNetwork
深度学习系列网络
描述
串联网络是一种用于深度学习的神经网络，其层一层一层排列。它有一个输入层和一个输出层。
创建
有几种方法可以创建SeriesNetwork对象:
使用加载预训练的网络
alexnet，darknet19，vgg16,或vgg19．有关示例，请参见负载预训练的AlexNet卷积神经网络．训练或微调网络使用
trainNetwork．有关示例，请参见图像分类训练网络．从TensorFlow™-Keras、Caffe或ONNX™(开放神经网络交换)模型格式导入预训练的网络。
对于Keras模型，使用
importKerasNetwork．有关示例，请参见导入并绘制Keras网络．对于Caffe模型，使用
importCaffeNetwork．有关示例，请参见导入Caffe网络．对于ONNX模型，使用
importONNXNetwork．有关示例，请参见将ONNX Network导入为DAGNetwork．
从预先训练的层中组装一个深度学习网络
assembleNetwork函数。
请注意
以了解其他预训练的网络，例如googlenet而且resnet50,请参阅预训练的深度神经网络．
属性
对象的功能
激活 |
计算深度学习网络层激活 |
分类 |
使用经过训练的深度学习神经网络对数据进行分类 |
预测 |
使用训练过的深度学习神经网络预测反应 |
predictAndUpdateState |
使用训练有素的循环神经网络预测响应并更新网络状态 |
classifyAndUpdateState |
使用训练过的循环神经网络对数据进行分类并更新网络状态 |
resetState |
重置循环神经网络的状态 |
情节 |
绘制神经网络层图 |
例子
负载预训练的AlexNet卷积神经网络
加载一个预先训练好的AlexNet卷积神经网络，并检查层和类。
使用加载预训练的AlexNet网络alexnet．输出网是一个SeriesNetwork对象。
网络
net = SeriesNetwork with properties: Layers: [25×1 nnet.cnn.layer.Layer]
使用层属性，查看网络体系结构。网络由25层组成。有8个具有可学习权重的层:5个卷积层，3个全连接层。
网层
ans = 25x1带有图层的图层数组:227 x227x3数据的图像输入图像的zerocenter正常化2 conv1卷积96年11 x11x3旋转步[4 4]和填充[0 0 0 0]3‘relu1 ReLU ReLU 4 norm1的横通道正常化横通道正常化与5频道/元素5“pool1”马克斯池3 x3马克斯池步(2 - 2)和填充[0 0 0 0]6“conv2”分组卷积2组128 5 x5x48旋转步[1]和填充(2 2 2 2)7的relu2 ReLU ReLU 8 norm2交叉道标准化交叉道正常化与5频道/元素9“pool2”马克斯池3 x3马克斯池步[2 2]和填充[0 0 0 0]10 conv3卷积384 3 x3x256旋转步[1]和填充[1 1 1 1]11的relu3 ReLU ReLU 12“conv4”分组卷积2组192 3 x3x192旋转步[1]和填充[1 1 1 1]13的relu4 ReLU ReLU 14“conv5”分组卷积2组128 3 x3x192旋转步[1]和填充(1 1 1)15'relu5' ReLU ReLU 16 'pool5'最大池化3x3最大池化与stride[2 2]和填充[0 000 0]17 'fc6'全连接4096全连接层18 'relu6' ReLU ReLU 19 'drop6' drop6' Dropout 50% Dropout 20 'fc7'全连接4096全连接层21 'relu7' ReLU ReLU 22 'drop7' Dropout 50% Dropout 23 'fc8'全连接1000全连接层24 'prob' Softmax Softmax 25 'output'分类输出crossentropyex与'tench'和999其他类
类可以查看网络学习到的类的名称类分类输出层(最后一层)的属性。通过选择前10个元素来查看前10个类。
net.Layers(结束). class (1:10)
ans =10×1分类数组Tench金鱼大白鲨虎鲨锤头电鳐黄貂鱼公鸡母鸡鸵鸟
从Caffe Network导入图层
指定示例文件“digitsnet.prototxt”进口。
protofile =“digitsnet.prototxt”；
导入网络层。
layers = importCaffeLayers(原型文件)
Layer array with layers: 1' testdata' Image Input 28x28x1 images 2' conv1' Convolution 20 5x5x1 convolutions with stride [1 1] and padding [0 0] 3 'relu1' ReLU ReLU 4 'pool1' Max Pooling 2x2 Max Pooling with stride [2 2] and padding [0 0] 5 'ip1' Fully Connected 10 Fully Connected Layer 6 'loss' Softmax Softmax 7 'output' Classification output crossentropyex with 'class1'， 'class2'， and 8个其他类
图像分类训练网络
加载数据为ImageDatastore对象。
digitDatasetPath = fullfile(matlabroot，“工具箱”，“nnet”，.．.“nndemos”，“nndatasets”，“DigitDataset”）;imds = imageDatastore(digitDatasetPath，.．.“IncludeSubfolders”,真的,.．.“LabelSource”，“foldernames”）;
数据存储包含10,000个从0到9的数字合成图像。这些图像是通过对使用不同字体创建的数字图像应用随机转换而生成的。每个数字图像是28乘28像素。每个类别的数据存储包含相同数量的图像。
显示数据存储中的一些图像。
figure numImages = 10000;perm = randperm(numImages,20);为I = 1:20 subplot(4,5, I);imshow (imds.Files{烫发(i)});drawnow;结束
对数据存储进行划分，使训练集中的每个类别有750张图像，测试集中有每个标签的剩余图像。
numTrainingFiles = 750;[imdsTrain,imdsTest] = splitEachLabel(imds,numTrainingFiles，“随机”）;
splitEachLabel分割图像文件digitData到两个新的数据存储中，imdsTrain而且imdsTest．
定义卷积神经网络架构。
层= [.．.imageInputLayer([28 28 1]) convolution2dLayer(5,20) reluLayer maxPooling2dLayer(2，“步”，2) fullyConnectedLayer(10) softmaxLayer classificationLayer];
将选项设置为随动量随机梯度下降的默认设置。将最大epoch数设置为20，并以初始学习率0.0001开始训练。
选项= trainingOptions(“个”，.．.“MaxEpochs”, 20岁,.．.“InitialLearnRate”1的军医,.．.“详细”假的,.．.“阴谋”，“训练进步”）;
培训网络。
net = trainNetwork(imdsTrain,layers,options);
在未用于训练网络的测试集上运行训练好的网络，并预测图像标签(数字)。
YPred = category (net,imdsTest);YTest = imdsTest.Labels;
计算精度。准确度是测试数据中与分类相匹配的真实标签的数量之比分类到测试数据中的图像数量。
精度= sum(YPred == YTest)/numel(YTest)
准确度= 0.9404
扩展功能
另请参阅
alexnet|vgg16|vgg19|darknet19|importCaffeNetwork|trainNetwork|trainingOptions|DAGNetwork|analyzeNetwork|assembleNetwork|情节|分类|预测
您也可以从以下列表中选择一个网站:
