connectLayers
在层图中连接层
描述
例子
创建和连接加层
创建一个包含两个输入和名称的附加层“add_1”。
添加= additionLayer (2“名字”,“add_1”)
add = AdditionLayer with properties: Name: 'add_1' numinput: 2 InputNames: {'in1' 'in2'}
创建两个RELU层，并将其连接到另外层。在添加层总结从RELU层输出。
relu_1 = reluLayer (“名字”,“relu_1”);relu_2 = reluLayer（“名字”,“relu_2”);lgraph = layerGraph;lgraph = addLayers (lgraph relu_1);lgraph = addLayers (lgraph relu_2);lgraph = addLayers (lgraph,添加);lgraph = connectLayers (lgraph,“relu_1”,“add_1 /三机一体”);lgraph = connectLayers (lgraph,“relu_2”,“add_1 / in2”);情节(lgraph)
创建简单DAG网络
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，各层按顺序连接。
一个快捷方式连接包含一个1×1的卷积层。快捷连接使参数梯度更容易地从输出层流向网络的较早的层。
将网络的主分支创建为一个层数组。加法层对多个输入元素求和。指定要求和的添加层的输入数。所有层必须有名称，并且所有名称必须是唯一的。
层= [imageInputLayer（[28 28 1]，“名字”,“输入”16)convolution2dLayer(5日,“填充”,'相同',“名字”,“conv_1”)batchNormalizationLayer (“名字”,'BN_1')reluLayer (“名字”,“relu_1”32岁的)convolution2dLayer (3“填充”,'相同',“步”，2，“名字”,“conv_2”)batchNormalizationLayer (“名字”,“BN_2”)reluLayer (“名字”,“relu_2”32岁的)convolution2dLayer (3“填充”,'相同',“名字”,'conv_3')batchNormalizationLayer (“名字”,'BN_3')reluLayer (“名字”,“relu_3”）additionLayer（2，“名字”,“添加”)averagePooling2dLayer (2“步”，2，“名字”,“avpool”）fullyConnectedLayer（10，“名字”,'FC')softmaxLayer (“名字”,“softmax”）classificationLayer（“名字”,“classOutput”）];
创建从层阵列的层图。layerGraph连接所有层层按顺序。绘制层图。
lgraph = layerGraph(层);图绘制(lgraph)
创建1×1的卷积层并将其添加到该层图形。指定卷积滤波器的数量和步伐，使活化大小的激活尺寸相匹配“relu_3”层。此安排使添加层能够添加的输出“skipConv”和“relu_3”层。要检查层是否在图中，绘制层图。
32岁的skipConv = convolution2dLayer (1“步”，2，“名字”,“skipConv”);lgraph = addLayers (lgraph skipConv);图绘制(lgraph)
创建快捷连接“relu_1”层的“添加”层。因为您在创建添加层时指定了2作为它的输入数，所以该层有两个命名的输入“三机”和“in2”。该“relu_3”层已经连接到“三机”输入。连接“relu_1”层的“skipConv”层和“skipConv”层的“in2”输入的“添加”层。在添加层现在总结的输出“relu_3”和“skipConv”层。要检查层连接正确，绘制层图形。
lgraph = connectLayers (lgraph,“relu_1”,“skipConv”);lgraph = connectLayers (lgraph,“skipConv”,“添加/平方英寸”);图图（lgraph）;
加载训练和验证数据，它由数字28由-28灰度图像。
[XTrain, YTrain] = digitTrain4DArrayData;[XValidation, YValidation] = digitTest4DArrayData;
指定的培训方式和培训网络。trainNetwork验证使用所述验证数据的每个网络ValidationFrequency迭代。
选项= trainingOptions（'SGDM',…“MaxEpochs”8…“洗牌”,“每个历元”,…'ValidationData'{XValidation，YValidation}…'ValidationFrequency'30，…“放牧”，假，…“阴谋”,“训练进步”);净= trainNetwork（XTrain，YTrain，lgraph，选项）;
显示训练有素的网络的性能。该网络是一个DAGNetwork对象。
净
net = DAGNetwork with properties: Layers:[16×1 nnet.cn .layer. layer. layer]连接:[16×2 table]
对验证图像进行分类，计算精度。这个网络非常精确。
YPredicted =分类（净，XValidation）;精度=平均值（YPredicted == YValidation）
精度= 0.9968
