创建一个简单的有向无环图(DAG)网络深度学习。列车网络分类的图像数字。本例中的简单网络包括:
创建的主要分支网络层的数组。添加层和多个输入element-wise。指定输入添加层的数量总和。轻松添加连接后,指定名称第一ReLU层以及层。
创建一个层图从数组中。layerGraph
连接所有的层层
按顺序。绘制层图。
创建1×1卷积层,并将其添加到层图。指定数量的卷积过滤器和步伐,以便激活大小匹配的激活大小ReLU第三层。这样的安排使添加层添加第三ReLU层和1×1的输出卷积层。检查层图,绘制层图。
创建快捷方式连接“relu_1”
层的“添加”
层。因为你指定的两个输入的数量增加层创建它时,有两个输入层“三机”
和“in2”
。已经连接到第三ReLU层“三机”
输入。连接“relu_1”
层的“skipConv”
层和“skipConv”
层的“in2”
输入的“添加”
层。添加层现在资金第三ReLU层和输出“skipConv”
层。检查层连接正确,绘制层图。
负荷训练和验证数据,包括28-by-28灰度图像的数字。
指定培训方案和培训网络。trainNetwork
验证网络使用验证数据ValidationFrequency
迭代。
显示的属性训练网络。网络是一个DAGNetwork
对象。
网= DAGNetwork属性:层:x1 nnet.cnn.layer.Layer[16]连接:[16 x2表]InputNames: {“imageinput”} OutputNames: {“classoutput”}
分类验证图像和计算精度。网络是非常准确的。