analyzeNetwork
分析深度学习网络架构
描述
例子
分析培训网络
加载预训练GoogLeNet卷积神经网络。
净= googlenet
净= DAGNetwork与属性：层：[144×1 nnet.cnn.layer.Layer]连接：[170×2表]
分析网络。analyzeNetwork显示网络体系结构的交互式图表和包含有关网络层的信息的表。
使用左边的图研究网络架构。在图中选择一个图层。选中的层在图和层表中突出显示。
在表中，查看层信息，如层属性、层类型和层激活的大小以及可学习的参数。一个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，更深层次中的激活在空间维度(前两个维度)中更小，而在通道维度(最后一个维度)中更大。利用这种结构，卷积神经网络可以在降低空间分辨率的同时，逐渐增加提取图像特征的数量。
通过点击在层表的右上角的箭头示出了各个层可学习参数的总数，并选择总Learnables。要排序的列值的层表，将鼠标悬停在列标题，然后单击箭头出现。例如，可以确定哪个层由可学习参数的总数排序所述层包含最参数。
analyzeNetwork（净）
修复网络架构中的错误
创建一个具有快捷连接的简单卷积网络。将网络的主分支创建为一个层数组，并从层数组中创建一个层图。layerGraph连接所有层层顺序。
图层= [imageInputLayer([32 32 3])，“名字”,“输入”16)convolution2dLayer(5日,“填充”,'相同',“名字”,“conv_1”)reluLayer (“名字”,“relu_1”）convolution2dLayer（3,16，“填充”,'相同',“步”，2，“名字”,“conv_2”)reluLayer (“名字”,“relu_2”）additionLayer（2，“名字”,“add1”）convolution2dLayer（3,16，“填充”,'相同',“步”，2，“名字”,'conv_3')reluLayer (“名字”,“relu_3”)additionLayer (3“名字”,“add2”）fullyConnectedLayer（10，“名字”,'FC'）classificationLayer（“名字”,“输出”));lgraph = layerGraph(层);
创建快捷连接。其中一个快捷连接包含一个1×1的卷积层skipConv。
skipConv = convolution2dLayer(1, 16岁,“步”，2，“名字”,“skipConv”);lgraph = addLayers (lgraph skipConv);lgraph = connectLayers (lgraph,“relu_1”,'ADD1 /英寸2');lgraph = connectLayers (lgraph,“add1”,“add2 / in2”);
分析网络架构。analyzeNetwork发现网络中的四个错误。
analyzeNetwork (lgraph)
调查并修复网络中的错误。在本例中，以下问题导致错误:
甲SOFTMAX层，其输出类概率，必须先于分类层。要解决在错误
输出分类层，在分类层之前添加一个softmax层。的
skipConv层不连接到网络的其余部分。它应该是之间的快捷连接的一部分ADD1和ADD2层。要修正这个错误，连接ADD1来skipConv和skipConv来ADD2。的
ADD2指定层具有三个输入端，但是仅层具有两个输入。修复错误，指定为输入的数量2。全部投入到一个另外层必须具有相同的大小，但
ADD1层有两个不同大小的输入。因为conv_2层具有“步”的2值，该层由下采样的两个因素是前两个维度的激活（空间尺寸）。要调整从输入relu2层，使其具有与输入相同的大小relu1，通过设置除去下采样“步”的价值conv_2层为1。
应用这些修改从这个例子开始的层结构图，并创建一个新的层图。
图层= [imageInputLayer([32 32 3])，“名字”,“输入”16)convolution2dLayer(5日,“填充”,'相同',“名字”,“conv_1”)reluLayer (“名字”,“relu_1”）convolution2dLayer（3,16，“填充”,'相同',“步”1，“名字”,“conv_2”)reluLayer (“名字”,“relu_2”）additionLayer（2，“名字”,“add1”）convolution2dLayer（3,16，“填充”,'相同',“步”，2，“名字”,'conv_3')reluLayer (“名字”,“relu_3”）additionLayer（2，“名字”,“add2”）fullyConnectedLayer（10，“名字”,'FC')softmaxLayer (“名字”,“softmax”);classificationLayer（“名字”,“输出”));lgraph = layerGraph(层);skipConv = convolution2dLayer(1, 16岁,“步”，2，“名字”,“skipConv”);lgraph = addLayers (lgraph skipConv);lgraph = connectLayers (lgraph,“relu_1”,'ADD1 /英寸2');lgraph = connectLayers (lgraph,“add1”,“skipConv”);lgraph = connectLayers (lgraph,“skipConv”,“add2 / in2”);
分析新的架构。新网络不包含任何错误，并准备接受培训。
analyzeNetwork (lgraph)
