定义一个结构结构的红色神经元旋para la clasificación con una capional, una capa ReLU y una capa total conectada。

层= [.．.imageInputLayer([28 28 3]) convolution2dLayer([5 5]，10) reluLayer fullyConnectedLayer(10) softmaxLayer classificationLayer]

2 "二维卷积10个5x5卷积与跨步[1 1]和填充[0 0 0 0 0]3 " ReLU ReLU 4 "全连接10全连接层5 " Softmax Softmax 6 "分类输出crossentropyex

层联合国反对层．

De manera alternative, puede crear las capas individual, después, concatenarlas。

input = imageInputLayer([28 28 3]);conv = convolution2dLayer([5 5]，10);relu = reluLayer;fc = fullyConnectedLayer(10);sm = softmaxLayer;co = classificationLayer;层= [.．.输入conv relu fc sm co]

2 "二维卷积10个5x5卷积与跨步[1 1]和填充[0 0 0 0 0]3 " ReLU ReLU 4 "全连接10全连接层5 " Softmax Softmax 6 "分类输出crossentropyex

定义一个结构结构的红色神经元旋para la clasificación con una capional, una capa ReLU y una capa total conectada。

层= [.．.imageInputLayer([28 28 3]) convolution2dLayer([5 5]，10) reluLayer fullyConnectedLayer(10) softmaxLayer classificationLayer];

心灵之梦，心灵之梦，意象之选择，初始之梦。

层(1)

ans = ImageInputLayer with properties: Name: " InputSize: [28 28 3] SplitComplexInputs: 0 Hyperparameters DataAugmentation: 'none'归一化:'zerocenter' NormalizationDimension: 'auto' Mean: []

Vea el tamaño de entrada de la capa de entrada de imagen。

层(1)。InputSize

ans =1×328 28 3

这就是我们的命运。

层(2)。步

ans =1×21

总联接联接联接联接联接联接。

层(4)。BiasLearnRateFactor

Ans = 1

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:

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)

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)

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);

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