additionLayer
加法层
描述
添加层从多个神经网络层元素中添加输入。
创建它时，请指定图层的输入数。图层的输入具有名称'In1'，'In2'，......，'Inn',在那里N为输入的个数。当通过使用连接或断开层时使用输入名称connectLayers或disconnectLayers．所有输入到加法层必须具有相同的维度。
创建
特性
例子
创建和连接添加层
使用两个输入和名称创建一个添加层“add_1”．
添加=添加层（2，'名称'那“add_1”）
添加=附加层具有属性：名称：'add_1'numinputs：2输入名称：{'In1'In2'}
创建两个ReLU层，并将它们连接到添加层。加法层将ReLU层的输出相加。
Relu_1 = uruulayer（'名称'那'relu_1'）;relu_2 = reluLayer ('名称'那'relu_2'）;Lgraph = layerGraph;Lgraph = Addlayers（LGraph，Relu_1）;Lgraph = AddLayers（LGraph，Relu_2）;Lgraph = Addlayers（LGraph，Add）;Lgraph = ConnectLayers（LAPHAGE，'relu_1'那'Add_1 / In1'）;Lgraph = ConnectLayers（LAPHAGE，'relu_2'那'Add_1 / In2'）;图（LGROPL）
创建简单的DAG网络
为深度学习创建一个简单的有向非循环图（DAG）网络。培训网络以分类数字图像。此示例中的简单网络包括：
主要分支，层依次连接。
一种快捷连接包含单个1×1卷积层。快捷连接使参数渐变使得从输出层更容易流到网络的早期层。
将网络的主分支创建为层数组。添加层和多个输入元素明智。指定添加图层的输入数。所有图层必须具有名称，所有名称必须是唯一的。
[imageInputLayer([28 28 1]，])，'名称'那'输入'）卷积2dlayer（5,16，“填充”那“相同”那'名称'那'conv_1'batchnormalizationlayer（'名称'那“BN_1”）剥离（'名称'那'relu_1'）卷积2dlayer（3,32，“填充”那“相同”那'走吧'2,'名称'那“conv_2”batchnormalizationlayer（'名称'那“BN_2”）剥离（'名称'那'relu_2'）卷积2dlayer（3,32，“填充”那“相同”那'名称'那“conv_3”batchnormalizationlayer（'名称'那“BN_3”）剥离（'名称'那'relu_3') additionLayer (2'名称'那'添加'）普通Pooling2dlayer（2，'走吧'2,'名称'那'avpool') fullyConnectedLayer (10'名称'那“俱乐部”) softmaxLayer ('名称'那'softmax') classificationLayer ('名称'那'ClassOutpul'));
从图层数组中创建一个图层图。layerGraph连接所有图层层数顺序地。绘制图层图。
Lgraph = LayerGraph（层）;图绘图（LGROP）
创建1乘1的卷积层，并将其添加到层图中。指定卷积过滤器的数量和步幅，以便激活大小与'relu_3'层。这种安排使添加层能够添加输出'skipconv'和'relu_3'层。要检查图层是否在图形中，请绘制图层图。
Skipconv = Convolution2Dlayer（1,32，'走吧'2,'名称'那'skipconv'）;Lgraph = Addlayers（LAPHAGH，SKIPCONV）;图绘图（LGROP）
从中创建快捷方式连接'relu_1'层到了'添加'层。因为您指定了两个作为添加层的输入的数量时，所以该图层有两个名为的输入'in1'和'in2'．的'relu_3'层已经连接到'in1'输入。连接'relu_1'层到了'skipconv'层和'skipconv'层到了'in2'输入的输入'添加'层。加法层现在对输出求和'relu_3'和'skipconv'层。要检查层是否连接正确，绘制层图。
Lgraph = ConnectLayers（LAPHAGE，'relu_1'那'skipconv'）;Lgraph = ConnectLayers（LAPHAGE，'skipconv'那“添加/ in2”）;图绘制(lgraph);
加载训练和验证数据，其中包含28 × 28的数字灰度图像。
[xtrain，ytrain] = Digittrain4darraydata;[xvalidation，yvalidation] = dimittest4darraydata;
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验证频繁迭代。
选择= trainingOptions (“个”那......'maxepochs'，8，......'洗牌'那“every-epoch”那......“ValidationData”{XValidation, YValidation},......“ValidationFrequency”30岁的......“详细”假的,......'plots'那'培训 - 进步'）;网= trainNetwork (XTrain YTrain、lgraph选项);
显示训练网络的属性。网络是一个Dagnetwork.对象。
净
net =具有属性的Dagnetwork：图层：[16×1 nnet.cnn.layer.layer]连接：[16×2表]输入名称：{'输入'} OutputNames：{'classOutput'}
分类验证图像并计算准确性。网络非常准确。
YPredicted =分类(净,XValidation);精度=平均值(YPredicted == YValidation)
精度= 0.9930
扩展能力
也可以看看
你也可以从以下列表中选择一个网站:
