主要内容

DAGNetwork

红达德深度学习

Expandir todo en la página

Descripcion

Una red gráfica acíclica dirigida (DAG) es Una red神经元对深度学习的形式争议gráfica acíclica dirigida。那红色的DAG puede tener Una建筑结构más完全不同的地方，不同的地方，不同的地方，不同的地方。

Creacion

物证的形式差异DAGNetwork：

背板

Para obtener información清醒的ottras redes preentrenada, consulte前突深神经红．

Propiedades

expandir待办事项

这是一个单独的演讲。

红色的帽子，特别的东西层．

这是一个单独的演讲。

capa的Conexiones, speciificadas como una tabla con dos column。

卡达fila de la手鼓代表una conexión en la gráfica de capas。La primera column，源，具体的el origen de cada conexión。La segunda柱，目的地，具体的el destino de cada conexión。我们的命运之路conexión我们的命运之路“layerName / IOName”,在哪里“IOName”我们是一个人，一个人，一个人。

数据提示:表格

这是一个单独的演讲。

红之心，红之心，红之心，红之心，红之心。

数据提示:细胞

红血色之帽，红血色之矢，红血色之矢。

数据提示:细胞

Funciones del客体

激活 深度学习
分类 利用训练好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
情节 红色神经元的结构代表

包括

反待办事项

省略脚本在体内

Cree una red gráfica acíclica dirigida (DAG)简单德深度学习。Entrene a la红色para classiificar imágenes de dígitos。La red simple de este ejemplo está compuesta por lo siguiente:

  • 就形式上的安全问题而言。

  • UnaConexión de atajoQue continuene una sola capa convolucional de 1 por 1。la conexiones de atajo permiten que los gradient de parámetros fluyan con mayor de desde la capa de salida la primeras capas de la red。

Cree la rama校长de la red como un arreglo de capas。La capa de suma añade变奏曲entradas en función de los elements。特别是el número de entradas que debe sumar la capa de suma。Para añadir conexiones con facilidad más tarde, specique los nombres de la primera capa ReLU y de la capa de suma。

图层= [imageInputLayer([28 28 1])卷积2dlayer (5,16，“填充”，“相同”reluLayer()“名字”，“relu_1”32岁的)convolution2dLayer (3“填充”，“相同”，“步”，2)卷积2dlayer (3,32，“填充”，“相同”(2)“名字”，“添加”) averagePooling2dLayer (2“步”，2) fullyConnectedLayer(10) softmaxLayer classificationLayer];

Cree una gráfica de capas是capas的一方。layerGraph这就是我们的命运层secuencialmente。代表la gráfica de capas。

lgraph = layerGraph(图层);图绘制(lgraph)

图中包含一个轴对象。axis对象包含一个graphplot类型的对象。

Cree la capa convolucional de 1 por 1 y añádala ala gráfica de capas。特别是número de filtros convolucionales y el tramo, para que el tamaño de activación coincida con el tamaño de activación de la tercera capa ReLU。Este调整permite que la capa de suma añada la salidas de la tercera capa ReLU y de la capa convolucional de 1 por 1。Para comprobar que la capa se cuentra en la gráfica，代表la gráfica de capas。

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

图中包含一个轴对象。axis对象包含一个graphplot类型的对象。

Cree la conexión de atajo desde la cap“relu_1”la capa“添加”．Dado que especificó 2 como el número de entradas de la capa de suma durante su creación, la capa tiene dos entradas llamada“三机”y“in2”．La tercera capa ReLU ya está conectada a La entrada“三机”．混凝土“relu_1”la capa“skipConv”， la capa“skipConv”夹心菜“in2”德拉卡帕“添加”．阿霍拉，苏马之角sumará萨里达斯·德·拉·萨里达斯·拉·萨里达斯·拉·萨里达斯·拉·萨里达斯·拉·萨里达斯·拉·萨里达斯·拉·萨里达斯·拉·萨里达斯“skipConv”．Para comprobar que las capas se han conectado correctamente，代表la gráfica de capas。

lgraph = connectLayers(“relu_1”，“skipConv”）;lgraph = connectLayers(“skipConv”，“添加/ in2”）;图绘制(lgraph);

图中包含一个轴对象。axis对象包含一个graphplot类型的对象。

货物保管资料validación，查询están工作人员imágenes de dígitos灰梯28 por 28。

[XTrain,YTrain] = digitTrain4DArrayData;[XValidation,YValidation] = digitTest4DArrayData;

特别的，那是一种爱，一种爱。trainNetworkValida la red usando los datos de validación cadaValidationFrequencyiteraciones。

选项= trainingOptions(“个”，.．.“MaxEpochs”8.．.“洗牌”，“every-epoch”，.．.“ValidationData”{XValidation, YValidation},.．.“ValidationFrequency”30岁的.．.“详细”假的,.．.“阴谋”，“训练进步”）;net = trainNetwork(XTrain,YTrain,lgraph,options);

{

红色赎罪祭。红色是不存在的DAGNetwork．

网
net = DAGNetwork with properties: Layers: [16x1 nnet.cnn.layer.Layer] Connections: [16x2 table] InputNames: {'imageinput'} OutputNames: {'classoutput'}

分类拉imágenes de validación y计算拉precisión。红的很精确。

ypredict = classification (net,XValidation);accuracy = mean(yexpected == YValidation)
准确度= 0.9934

Capacidades ampliadas

历史版本

介绍R2017b

Consulte也

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

特马