分析
分析深度学习网络架构
句法
描述
使用分析为了可视化和理解网络的体系结构，检查您是否已正确定义了架构，并在培训前检测问题。问题分析检测包括缺失或未连接的层、错误大小的层输入、错误数量的层输入和无效的图结构。
提示
以交互式可视化，分析和培训网络，使用DeepNetWorkDesigner（网）．有关更多信息，请参见深网络设计师．
训练网络
网络层
analyzeNetwork (分析中指定的网络图层层数）层数也可以检测错误和问题Trainnetwork.工作流程。层数可以是A.层阵列或A.分层图目的。该功能以交互式的方式显示网络架构，并提供有关网络层的详细信息。图层信息包括层激活，学习参数和状态参数的数量和大小。
analyzeNetwork (使用示例网络输入分析网络层层数那dlX1,…,dlXn“TargetUsage”,“dlnetwork”)dlX1,…,dlXn．该软件通过网络传播示例输入，以确定层激活、可学习参数和状态参数的数量和大小。使用此语法来分析具有一个或多个未连接到输入层的输入的网络。
dlnetwork.对象
analyzeNetwork (分析了dlnet）dlnetwork.自定义训练循环工作流的对象。该功能以交互式的方式显示网络架构，并提供有关网络层的详细信息。图层信息包括层激活，学习参数和状态参数的数量和大小。
analyzeNetwork (分析了dlnet那dlX1,…,dlXn）dlnetwork.对象使用示例网络输入dlX1,…,dlXn．该软件通过网络传播示例输入，以确定层激活、可学习参数和状态参数的数量和大小。使用此语法分析一个未初始化的dlnetwork.具有一个或多个未连接到输入层的输入。
例子
分析培训的网络
加载一个预先训练的GoogLeNet卷积神经网络。
net = googlenet.
net =具有属性的Dagnetwork：图层：[144×1 nnet.cnn.layer.layer]连接：[170×2表] InputNames：{'data'} OutputNames：{'输出'}
分析了网络。分析显示网络架构的交互式图和包含有关网络层信息的表。
使用左边的情节研究网络架构。在图中选择一个图层。选中的图层在绘图和图层表中突出显示。
在表中，查看层信息（如图层属性，图层类型和大小的层次）和学习参数的大小。层的激活是该层的输出。
在网络中选择一个更深的层。请注意，更深层次的激活在空间维度(前两个维度)中较小，在通道维度(最后一个维度)中较大。利用这种结构，卷积神经网络可以逐渐增加提取图像特征的数量，同时降低空间分辨率。
通过单击图层表的右上角的箭头显示每层学习参数的总数，然后选择学术总量．要按列值对图层表进行排序，请将鼠标悬停在列标题上，然后单击出现的箭头。例如，您可以通过从学习参数的总数进行排序，确定哪些图层包含最多参数。
analyzeNetwork(净)
修复网络架构中的错误
使用快捷连接创建一个简单的卷积网络。将网络的主分支创建为图层数组，并从图层阵列中创建一个图层图。layerGraph连接所有图层层数按顺序。
图层= [imageInputlayer（[32 32 3]）卷积2dlayer（5,16，'填充'那“相同”）剥离（'姓名'那'relu_1') convolution2dLayer(3, 16岁,'填充'那“相同”那'走吧'，2）剥离附加层（2，'姓名'那'Add1') convolution2dLayer(3, 16岁,'填充'那“相同”那'走吧'，2）剥离附加层（3，'姓名'那'Add2'）全连接层（10）SoftmaxLayer分类层];Lgraph = LayerGraph（层）;
创建快捷连接。其中一个快捷连接包含一个1乘1的卷积层Skipconv.．
Skipconv = Convolution2dlayer（1,16，'走吧'2，'姓名'那'skipconv'）;Lgraph = Addlayers（LAPHAGH，SKIPCONV）;Lgraph = ConnectLayers（LAPHAGE，'relu_1'那“add1 / in2”）;Lgraph = ConnectLayers（LAPHAGE，'Add1'那“add2 / in2”）;
分析网络架构。分析查找网络中的四个错误。
analyzeNetwork (lgraph)
调查并修复网络中的错误。在此示例中，以下问题导致错误：
这
Skipconv.图层未连接到网络的其余部分。它应该是捷径连接的一部分Add1.和Add2.层。要修复此错误，请连接Add1.来Skipconv.和Skipconv.来Add2.．这
Add2.将图层指定为具有三个输入，但图层只有两个输入。要修复错误，请指定输入的数量2．所有输入到加法层必须具有相同的大小，但是
Add1.层有两个不同大小的输入。因为Conv_2层有一个'走吧'值为2时，该层将在前两个维度(空间维度)中对激活进行因子2的采样。来调整输入的大小relu2.层使其具有与输入相同的大小relu1.，通过设置下采样来去除下采样'走吧'价值Conv_2层为1。
将这些修改应用到这个例子开始的层图构造中，并创建一个新的层图。
图层= [imageInputlayer（[32 32 3]）卷积2dlayer（5,16，'填充'那“相同”）剥离（'姓名'那'relu_1') convolution2dLayer(3, 16岁,'填充'那“相同”那'走吧'1) reluLayer additionLayer (2'姓名'那'Add1') convolution2dLayer(3, 16岁,'填充'那“相同”那'走吧'，2）剥离附加层（2，'姓名'那'Add2'）全连接层（10）SoftmaxLayer分类层];Lgraph = LayerGraph（层）;Skipconv = Convolution2dlayer（1,16，'走吧'2，'姓名'那'skipconv'）;Lgraph = Addlayers（LAPHAGH，SKIPCONV）;Lgraph = ConnectLayers（LAPHAGE，'relu_1'那“add1 / in2”）;Lgraph = ConnectLayers（LAPHAGE，'Add1'那'skipconv'）;Lgraph = ConnectLayers（LAPHAGE，'skipconv'那“add2 / in2”）;
分析新架构。新网络不包含任何错误，并已准备好培训。
analyzeNetwork (lgraph)
分析定制训练循环的图层图
为自定义训练循环创建一个图层图。对于自定义训练循环工作流程，图层图不得具有输出层。
[imageInputLayer([28 28 1]，])，'正常化'那'没有任何'那'姓名'那'输入'）卷积2dlayer（5,20，'姓名'那“conv1”batchnormalizationlayer（'姓名'那“bn1”）剥离（'姓名'那'relu1'）卷积2dlayer（3,20，'填充'，1，'姓名'那'conv2'batchnormalizationlayer（'姓名'那“bn2”）剥离（'姓名'那“relu2”）卷积2dlayer（3,20，'填充'，1，'姓名'那“conv3”batchnormalizationlayer（'姓名'那“bn3”）剥离（'姓名'那“relu3”) fullyConnectedLayer (10'姓名'那“俱乐部”）softmaxlayer（'姓名'那'softmax'));Lgraph = LayerGraph（层）;
使用该层图分析图层图分析函数，并设置'targetusage'选项'dlnetwork'．
analyzeNetwork (lgraph'targetusage'那'dlnetwork'）
在这里，该函数未报告图层图的任何问题。
使用示例输入分析网络
要分析具有未连接到输入层的输入的网络，您可以向示例网络输入提供示例分析功能。您可以在分析时提供示例输入dlnetwork.对象，或分析时层数组或分层图对象用于自定义培训工作流“TargetUsage”、“dlnetwork”名称-值的选择。
定义网络架构。用两个分支构造一个网络。网络需要两个输入，每个分支输入一个输入。使用加法层连接分支。
numFilters = 24;inputSize = [64 64 3];layerbranch1 = [imageInputLayer(inputSize，'正常化'那'没有任何'那'姓名'那'输入'）卷积2dlayer（3,6 * numfilters，'填充'那“相同”那'走吧'2，'姓名'那“conv1Branch1”) groupNormalizationLayer ('全频道'那'姓名'那“gn1Branch1”）剥离（'姓名'那“relu1Branch1”）卷积2dlayer（3，numfilters，'填充'那“相同”那'姓名'那'conv2branch1') groupNormalizationLayer ('渠道 - 明智'那'姓名'那'gn2branch1') additionLayer (2'姓名'那“添加”）剥离（'姓名'那'RECUCOMOMBONED') fullyConnectedLayer (10'姓名'那“俱乐部”）softmaxlayer（'姓名'那“sm”));layersbranch2 = [卷积2dlayer（1，numfilters，'姓名'那'convbranch2') groupNormalizationLayer ('全频道'那'姓名'那'gnbranch2'));Lgraph = LayerGraph（Layersbranch1）;Lgraph = Addlayers（LAGHS，LAYERSBRANCH2）;Lgraph = ConnectLayers（LAPHAGE，'gnbranch2'那“添加/ in2”）;
创造dlnetwork.．因为这个网络包含一个未连接的输入，所以创建一个未初始化的dlnetwork.对象的'初始化'名称值选项错误的．
dlnet = dlnetwork（lgraph，'初始化'、假);
创建示例网络输入与此网络的典型输入相同的大小和格式。对于两个输入，使用批量大小为32.使用带有三个通道的大小64乘6的输入，用于输入到图层'输入'．使用大小64-64的输入，其中18个通道用于输入到图层'convbranch2'．
exampleInput = dlArray（RAND（[输入32]），'SSCB'）;exampleeconvbranch2 = dlarray(rand([32 32 18 32]))，'SSCB'）;
检查层属性来确定提供示例输入的顺序。
dlnet。层
ans = 12×1 Layer array with layers:1的输入图像输入64×64×3图片2的conv1Branch1卷积144 3×3旋转步(2 - 2)和填充“相同”3“gn1Branch1”集团标准化规范化4的relu1Branch1 ReLU ReLU 5‘conv2Branch1卷积24 3×3的隆起与步幅[1]和填充“相同”6“gn2Branch1”集团标准化规范化7'add' add Element-wise add of 2 input 8 'reluCombined' ReLU ReLU 9 'fc' Fully Connected 10 Fully Connected layer 10 'sm' Softmax Softmax 11 'convBranch2' Convolution 24 1×1 convolutions with stride [1 1] and padding [0 0 0] 12 'gnBranch2' Group Normalization组归一化
分析了网络。控件中需要输入的层的顺序相同，提供示例输入层财产的dlnetwork.．您必须为所有网络输入提供示例输入，包括连接到输入层的输入。
分析（DLNET，examplyInput，ExampleConvBranch2）
输入参数
也可以看看
你也可以从以下列表中选择一个网站:
