主要内容

layerGraph

用于深度学习的网络层图

展开全部页面

描述

层图指定了深度学习网络的体系结构，具有更复杂的图结构，其中层可以有来自多层的输入和到多层的输出。具有这种结构的网络称为有向无环图(DAG)网络。在创建一个layerGraph对象，您可以使用对象函数绘制图形，并通过添加、删除、连接和断开层来修改它。为了训练网络，使用层图作为输入trainNetwork函数。

创建

语法

lgraph = layerGraph
lgraph = layerGraph(图层)
lgraph = layerGraph(net)
lgraph = layerGraph(dlnet)

描述

例子

lgraph= layerGraph创建不包含任何层的空层图。属性可以向空图形添加层addLayers函数。

例子

lgraph= layerGraph (层）从网络层数组创建层图，并设置层财产。图层lgraph都是以相同的顺序连接的层．

例子

lgraph= layerGraph (网）提取a的层图SeriesNetwork或DAGNetwork对象。例如，可以提取预训练网络的层图来进行迁移学习。

lgraph= layerGraph (dlnet）提取a的层图dlnetwork．使用此语法可以使用dlnetwork与trainNetwork函数或深度网络设计器．

输入参数

全部展开

训练过的网络，指定为SeriesNetwork或者一个DAGNetwork对象。可以通过导入预训练的网络(例如，通过使用googlenet函数)或通过训练自己的网络使用trainNetwork．

用于自定义训练循环的网络，指定为dlnetwork对象。

为dlnetwork输入时，软件从可学习参数中提取数值数据，并将其转换为单精度。

属性

全部展开

此属性是只读的。

网络层，指定为a层数组中。

此属性是只读的。

层连接，指定为具有两列的表。

每个表行表示层图中的一个连接。第一列，源，指定每个连接的源。第二列，目的地，指定每个连接的目的地。连接源和目的地要么是层名，要么具有表单“layerName / IOName”,在那里“IOName”层输入或输出的名称。

数据类型:表格

此属性是只读的。

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

对象的功能

addLayers 在图层图中添加图层
removeLayers 从图层图中移除图层
replaceLayer 替换层中的层图
connectLayers 在图层图中连接图层
disconnectLayers 断开图层图中的图层
情节 绘制神经网络层图

例子

全部折叠

打开实时脚本

创建一个空的图层图和一个图层数组。将图层添加到图层图中并绘制图形。addLayers按顺序连接层。

lgraph = layerGraph;图层= [imageInputLayer([32 32 3]，“名字”，“输入”) convolution2dLayer(3, 16岁,“填充”，“相同”，“名字”，“conv_1”) batchNormalizationLayer (“名字”，“BN_1”) reluLayer (“名字”，“relu_1”));lgraph = addLayers(lgraph,layers);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。

打开实时脚本

创建一个图层数组。

图层= [imageInputLayer([28 28 1]，“名字”，“输入”) convolution2dLayer(3, 16岁,“填充”，“相同”，“名字”，“conv_1”) batchNormalizationLayer (“名字”，“BN_1”) reluLayer (“名字”，“relu_1”));

从图层数组创建一个图层图。layerGraph连接所有的层层按顺序。绘制层图。

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。

打开实时脚本

加载预训练的SqueezeNet网络。你可以使用这个训练过的网络进行分类和预测。

网=挤压网;

为了修改网络结构，首先使用提取DAG网络的结构layerGraph．的对象函数LayerGraph修改网络架构。

lgraph = layerGraph(net)
lgraph = LayerGraph with properties: Layers: [68x1 nnet.cnn.layer.Layer] Connections: [75x2 table] InputNames: {'data'} OutputNames: {'ClassificationLayer_predictions'}
打开实时脚本

为深度学习创建一个简单的有向无环图(DAG)网络。训练网络对数字图像进行分类。本例中的简单网络包括:

  • 一种主分支，层按顺序连接。

  • 一个快捷方式连接包含单个1乘1卷积层。快捷连接使参数梯度更容易地从输出层流向网络的早期层。

创建网络的主要分支作为层数组。加法层对多个输入元素进行相加。指定添加层要求和的输入数量。为了便于以后添加连接，请为第一个ReLU层和添加层指定名称。

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];

从图层数组创建一个图层图。layerGraph连接所有的层层按顺序。绘制层图。

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。

创建1 × 1卷积层，并将其添加到图层图中。指定卷积滤波器的数量和步幅，使激活大小与第三个ReLU层的激活大小匹配。这样的安排使得添加层能够添加第三个ReLU层和1 × 1卷积层的输出。要检查图层是否在图中，请绘制图层图。

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。

创建快捷连接“relu_1”图层到“添加”层。因为您在创建加法层时指定了2作为输入的数量，所以该层有两个名为“三机”而且“in2”．第三个ReLU层已经连接到“三机”输入。连接“relu_1”图层到“skipConv”图层和“skipConv”图层到“in2”的输入“添加”层。加法层现在将第三个ReLU层和“skipConv”层。要检查各层是否正确连接，请绘制层图。

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。

加载训练和验证数据，这些数据由28 × 28灰度数字图像组成。

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

指定培训选项并对网络进行培训。trainNetwork每次使用验证数据验证网络ValidationFrequency迭代。

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);

图Training Progress (01-Sep-2021 08:31:32)包含2个axis对象和另一个类型为uigridlayout的对象。坐标轴对象1包含15个类型为patch、text、line的对象。坐标轴对象2包含15个类型为patch、text、line的对象。

显示训练后网络的属性。网络是一个DAGNetwork对象。

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

对验证图像进行分类并计算精度。这个网络非常准确。

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

另请参阅

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

主题

在R2017b中引入

深度学习工具箱文档

金宝app

用MATLAB介绍深度学习

用MATLAB介绍深度学习

下载电子书