classdefmyLayer < nnet.layer.Layer%……& nnet.layer. formatable…%(可选)& nnet.layer.Acceleratable %(可选)属性%(可选)图层属性。在这里声明层属性。结束属性(可学的)%(可选)层可学习参数。在这里声明可学习参数。结束属性(状态)%(可选)层状态参数。在这里声明状态参数。结束属性(可学的,状态)%(可选)嵌套dlnetwork对象，两者都可学习%参数和状态参数。在这里用可学习和状态参数声明嵌套网络。结束方法函数图层= myLayer()(可选)创建myLayer。此函数必须与类名称相同。在这里定义层构造函数。结束函数图层=初始化(图层，布局)(可选)初始化层可学习和状态参数。％%的输入:% layer -初始化的层% layout -数据布局，指定为networkDataLayout%的对象％%输出:% layer -初始化层％% -对于有多个输入的图层，将layout替换为% layout1,…，layoutN, where N is the number of inputs.定义层初始化函数。结束函数[Z，状态]=预测(层，X)在预测时间通过层转发输入数据%输出结果和更新状态。％%的输入:% layer -向前传播的层% X -输入数据%输出:% Z -层正向函数的输出% state -(可选)更新后的层状态％% -对于有多个输入的层，将X替换为X1，…，XN，%，其中N是输入的数量。% -对于有多个输出的层，将Z替换为% Z1,…，Z米,在那里米我s the number of outputs.% -对于有多个状态参数的层，替换state% with state1，…，状态K,在那里K我s the number of state%的参数。定义层预测函数。结束函数[Z，状态，内存]= forward(层，X)%(可选)训练时通过层向前输入数据并输出结果、更新状态和内存%值。％%的输入:% layer -向前传播的层% X -层输入数据%输出:% Z -层正向函数的输出% state -(可选)更新后的层状态% memory -(可选)自定义向后内存值%的功能％% -对于有多个输入的层，将X替换为X1，…，XN，%，其中N是输入的数量。% -对于有多个输出的层，将Z替换为% Z1,…，Z米,在那里米我s the number of outputs.% -对于有多个状态参数的层，替换state% with state1，…，状态K,在那里K我s the number of state%的参数。在这里定义层正向函数。结束函数图层= resetState(图层)%(可选)重置层状态。此处定义重置状态函数。结束函数[dLdX,dLdW,dLdSin] = backward(layer,X,Z,dLdZ,dLdSout,memory)%(可选)反向传播损失的导数%函数通过层。％%的输入:% layer -向后传播的层% X -层输入数据% Z -层输出数据% dLdZ -损失对层的导数%输出% dLdSout -(可选)关于损失的导数状态输出百分比% memory -前向函数的内存值%输出:% dLdX -损失对层输入的导数% dLdW -(可选)损失的导数%可学习参数% dLdSin -(可选)损失的导数%状态输入％% -对于带有状态参数的层，向后语法必须%包括dLdSout和dLdSin，或两者都不包括。% -对于有多个输入的层，将X和dLdX替换为% X1,…，XN而且dLdX1,...,dLdXN, respectively, where N is输入数量的%。% -对于有多个输出的层，将Z和dlZ替换为% Z1,…，Z米而且dLdZ,...,dLdZM, respectively, where M is the输出数的%。% -对于有多个可学习参数的层，替换% dLdW with dLdW1，…，dLdWP, where P is the number of%可学习参数。% -对于有多个状态参数的层，替换dLdSin% and dLdSout with dLdSin1，…、dLdSinK和% dLdSout1,…，dldSoutK, respectively, where K is the number状态参数的%。在这里定义层反向函数。结束结束结束

classdefweightedAdditionLayer < nnet.layer.Layer%……& nnet.layer. formatable…%(可选)& nnet.layer.Acceleratable %(可选).．.结束

classdefweightedAdditionLayer < nnet.layer.Layer.．.& nnet.layer.Acceleratable.．.结束

方法函数layer = weightedAdditionLayer()…结束.．.结束

属性(可学的)%层可学习参数比例系数权重结束

函数layer = weightedAdditionLayer(numInputs,name)% layer = weightedAdditionLayer(numInputs,name)创建一个%加权加法层，并指定输入的数量%和层名。.．.结束

函数Z = predict(图层，varargin)% Z = predict(层，X1，…，Xn）转发输入数据X1，%……，Xn通过层并输出结果Z．X = varargin;W = layer.Weights;初始化输出X1 = x {1};sz = size(X1);Z = 0 (sz，“喜欢”X1);加权加法为I = 1:层。NumInputsZ＝Z+ W(i)*X{i};结束结束

classdefweightedAdditionLayer < nnet.layer.Layer…& nnet.layer.Acceleratable自定义加权加法层示例。属性(可学的)%层可学习参数比例系数权重结束方法函数layer = weightedAdditionLayer(numInputs,name)% layer = weightedAdditionLayer(numInputs,name)创建一个%加权加法层，并指定输入的数量%和层名。设置输入数量。层。NumInputs = numInputs;设置层名。层。名字＝名字；设置层描述。层。描述=加权加法+ numInputs +.．.“输入”；初始化层权重。层。Weights = rand(1,numInputs);结束函数Z = predict(图层，varargin)% Z = predict(层，X1，…，Xn）转发输入数据X1，%……，Xn通过层并输出结果Z．X = varargin;W = layer.Weights;初始化输出X1 = x {1};sz = size(X1);Z = 0 (sz，“喜欢”X1);加权加法为I = 1:层。NumInputsZ＝Z+ W(i)*X{i};结束结束结束结束

层=加权附加层(2，“添加”）;validInputSize = {[24 24 20]，[24 24 20]};validInputSize checkLayer(层,“ObservationDimension”4)

[XTrain,TTrain] = digitTrain4DArrayData;

图层= [imageInputLayer([28 28 1]) convolution2dLayer(5,20) relullayer (“名字”，“relu1”20岁的)convolution2dLayer (3“填充”，1) relullayer卷积2dlayer (3,20，“填充”，1) relullayer加权附加层(2)“添加”) fullyConnectedLayer(10) softmaxLayer classificationLayer];lgraph = layerGraph(图层);lgraph = connectLayers(“relu1”，“添加/ in2”）;

选项= trainingOptions(“亚当”，“MaxEpochs”10);net = trainNetwork(XTrain,TTrain,lgraph,options);

net.Layers .Weights (8)

[XTest,TTest] = digitTest4DArrayData;YPred = category (net,XTest);精度=平均值(TTest==YPred)