主要内容

Dagnetwork.

针对深度学习的针对非循环图（DAG）网络

展开所有页面

描述

DAG网络是一个神经网络，用于深入学习，层层被布置为定向的非循环图。DAG网络可以具有更复杂的架构，其中层具有从多个层的输入并输出到多个层。

创建

有几种方法可以创造一个Dagnetwork.目的：

笔记

要了解其他预追溯网络，请参阅普里德深度神经网络。

特性

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。

每个表行表示图层图中的连接。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'是输入或输出的图层的名称。

数据类型：桌子

网络输入层名称，指定为字符向量的单元格数组。

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

激活 计算深度学习网络层激活
分类 使用培训的深度学习神经网络对数据进行分类
预测 使用培训的深度学习神经网络预测响应
阴谋 绘制神经网络层图

例子

全部收缩

打开直播脚本

为深度学习创建一个简单的有向非循环图（DAG）网络。培训网络以分类数字图像。此示例中的简单网络包括：

  • 主要分支，层依次连接。

  • 一种快捷连接包含单个1×1卷积层。快捷连接使参数渐变使得从输出层更容易流到网络的早期层。

将网络的主分支创建为层数组。添加层和多个输入元素明智。指定添加图层的输入数。所有图层必须具有名称，所有名称必须是唯一的。

图层= [imageInputLayer（[28 28 1]，'名称'那'输入'）卷积2dlayer（5,16，'填充'那'相同的'那'名称'那'conv_1'batchnormalizationlayer（'名称'那'bn_1'）剥离（'名称'那'relu_1'）卷积2dlayer（3,32，'填充'那'相同的'那'走吧'2，'名称'那'conv_2'batchnormalizationlayer（'名称'那'bn_2'）剥离（'名称'那'relu_2'）卷积2dlayer（3,32，'填充'那'相同的'那'名称'那'conv_3'batchnormalizationlayer（'名称'那'bn_3'）剥离（'名称'那'relu_3'）附加层（2，'名称'那'添加'）普通Pooling2dlayer（2，'走吧'2，'名称'那'avpool'）全连接层（10，'名称'那'fc'）softmaxlayer（'名称'那'softmax'scassificationlayer（'名称'那'ClassOutput'）];

从图层阵列创建一个图层图。分层图连接所有图层层数顺序地。绘制图层图。

Lgraph = LayerGraph（层）;图绘图（LGROP）

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。要检查图层是否在图形中，请绘制图层图。

Skipconv = Convolution2Dlayer（1,32，'走吧'2，'名称'那'skipconv'）;Lgraph = Addlayers（LAPHAGH，SKIPCONV）;图绘图（LGROP）

从中创建快捷方式连接'relu_1'层到了'添加'层。因为您指定了两个作为添加层的输入的数量时，所以该图层有两个名为的输入'in1'和'in2'。这'relu_3'层已经连接到'in1'输入。连接'relu_1'层到了'skipconv'层和'skipconv'层到了'in2'输入的输入'添加'层。添加层现在会汇总输出'relu_3'和'skipconv'层。要检查图层是否正确连接，请绘制图层图。

Lgraph = ConnectLayers（LAPHAGE，'relu_1'那'skipconv'）;Lgraph = ConnectLayers（LAPHAGE，'skipconv'那'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验证频繁迭代。

选项=培训选项（'sgdm'那......'maxepochs'，8，......'洗牌'那'每个时代'那......'vightationdata'，{xvalidation，yvalidation}，......'验证职业'，30，......'verbose'，错误的，......'plots'那'培训 - 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
net =具有属性的Dagnetwork：图层：[16×1 nnet.cnn.layer.layer]连接：[16×2表]输入名称：{'输入'} OutputNames：{'classOutput'}

分类验证图像并计算准确性。网络非常准确。

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

扩展能力

也可以看看

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

话题

在R2017B中介绍

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