analyzeNetwork
分析深度学习网络架构
句法
描述
使用analyzeNetwork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analyzeNetwork检测包括缺失或未连接的层，不正确的层输入，层输入的不正确数，图形结构无效。
例子
分析培训的网络
加载预先训练好的google网络卷积神经网络。
网= googlenet
net = DAGNetwork with properties: Layers: [144×1 nnet.cnn.layer.Layer]
分析了网络。analyzeNetwork显示网络架构的交互式图和包含有关网络层信息的表。
使用左侧的绘图调查网络架构。在图中选择一个图层。所选层在绘图和层表中突出显示。
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。
在网络中选择更深层。请注意，在空间尺寸（前两个维度）中，更深层的激活较小，并且在通道尺寸（最后一维）中更大。使用该结构使卷积神经网络能够逐渐增加提取的图像特征的数量，同时降低空间分辨率。
点击图层表右上角的箭头，选择，显示每一层可学习参数的总数总可学的．要按列值对图层表排序，请将鼠标悬停在列标题上，然后单击出现的箭头。例如，可以根据可学习参数的总数对层进行排序，从而确定哪一层包含的参数最多。
analyzeNetwork(净)
修复网络架构中的错误
创建一个简单的带有快捷连接的卷积网络。以层数组的形式创建网络的主要分支，并从层数组创建层图。layerGraph连接所有图层层数按顺序。
图层= [imageInputlayer（[32 32 3]，'名称'那'输入'）卷积2dlayer（5,16，“填充”那“相同”那'名称'那“conv_1”）剥离（'名称'那'relu_1') convolution2dLayer(3, 16岁,“填充”那“相同”那'走吧'，2,'名称'那“conv_2”）剥离（'名称'那'relu_2') additionLayer (2'名称'那'Add1') convolution2dLayer(3, 16岁,“填充”那“相同”那'走吧'，2,'名称'那“conv_3”）剥离（'名称'那'relu_3') additionLayer (3'名称'那'Add2') fullyConnectedLayer (10'名称'那“俱乐部”) classificationLayer ('名称'那'输出'));Lgraph = LayerGraph（层）;
创建快捷方式连接。其中一个快捷连接包含单个1×1卷积层Skipconv.．
Skipconv = Convolution2dlayer（1,16，'走吧'，2,'名称'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。analyzeNetwork在网络中查找四个错误。
分析（LGROPH）
调查并修复网络中的错误。在本例中，以下问题导致错误:
输出类概率的softmax层必须在分类层之前。中的错误
输出分类图层，在分类层之前添加软MAX层。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至Skipconv.和Skipconv.至add2．这
add2层被指定为有三个输入，但层只有两个输入。若要修复错误，请将输入数量指定为2．添加层的所有输入必须具有相同的大小，但是
add1图层有两个具有不同大小的输入。因为这Conv_2层有一个'走吧'值为2时，这一层在前两个维度(空间维度)下采样激活的倍数为2。来调整输入的大小relu2.层使其具有与输入相同的大小relu1.，通过设置删除下采样'走吧'价值Conv_2第1层。
将这些修改应用到本例开头的层图构造中，并创建一个新的层图。
图层= [imageInputlayer（[32 32 3]，'名称'那'输入'）卷积2dlayer（5,16，“填充”那“相同”那'名称'那“conv_1”）剥离（'名称'那'relu_1') convolution2dLayer(3, 16岁,“填充”那“相同”那'走吧',1，'名称'那“conv_2”）剥离（'名称'那'relu_2') additionLayer (2'名称'那'Add1') convolution2dLayer(3, 16岁,“填充”那“相同”那'走吧'，2,'名称'那“conv_3”）剥离（'名称'那'relu_3') additionLayer (2'名称'那'Add2') fullyConnectedLayer (10'名称'那“俱乐部”) softmaxLayer ('名称'那'softmax'）;classificationLayer ('名称'那'输出'));Lgraph = LayerGraph（层）;Skipconv = Convolution2dlayer（1,16，'走吧'，2,'名称'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，并已准备好接受训练。
分析（LGROPH）
分析自定义训练循环的层图
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。
图层= [imageInputLayer（[28 28 1]，“归一化”那“没有”那'名称'那'输入'）卷积2dlayer（5,20，'名称'那“conv1”) batchNormalizationLayer ('名称'那'bn1'）剥离（'名称'那“relu1”）卷积2dlayer（3,20，“填充”,1，'名称'那“conv2”) batchNormalizationLayer ('名称'那'bn2'）剥离（'名称'那'relu2'20岁的)convolution2dLayer (3“填充”，1，'名称'那“conv3”) batchNormalizationLayer ('名称'那'bn3'）剥离（'名称'那'relu3') fullyConnectedLayer (10'名称'那“俱乐部”) softmaxLayer ('名称'那'softmax'));Lgraph = LayerGraph（层）;
使用该层图分析图层图analyzeNetwork功能并设置“TargetUsage”选择“dlnetwork”．
分析（LGraph，“TargetUsage”那“dlnetwork”）
在这里，函数不会报告层图的任何问题。
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:
