层
网络层深度学习
描述
定义神经网络建筑以获得深度学习的层。
创建
获取MATLAB中的深度学习层列表®,请参阅深度学习层的列表。要指定具有按顺序连接的所有图层的神经网络的体系结构，请直接创建一系列层。要指定图层可以具有多个输入或输出的网络的体系结构，请使用aLayerGraph目的。
或者，您可以使用来自Caffe，Keras和Onnx的图层importCaffeLayers,importKeraslayers.， 和importonnxLayers.分别。
要了解如何创建自己的自定义图层，请参阅定义自定义深度学习层。
对象的功能
trainNetwork |
火车深度学习神经网络 |
例子
构建网络架构
定义卷积神经网络架构，用于使用一个卷积层，Relu层和完全连接的层进行分类。
层= […imageInputlayer（[28 28 3]）卷积2dlayer（[5 5]，10）rululayer全连接列（10）softmaxlayer分类层]
层= 6 x1层与层:数组1”的形象输入28 x28x3图像zerocenter正常化2”10 5 x5的卷积,卷积步伐[1]和填充[0 0 0 0]3”ReLU ReLU 4”完全连接10完全连接层5”Softmax Softmax 6”crossentropyex分类输出
层是一个层目的。
或者，您可以单独创建图层，然后连接它们。
input = imageInputLayer([28 28 3]);conv = convolution2dLayer([5 5]，10);relu = reluLayer;fc = fullyConnectedLayer (10);sm = softmaxLayer;有限公司= classificationLayer;层= […输入conv relu fc sm co]
层= 6 x1层与层:数组1”的形象输入28 x28x3图像zerocenter正常化2”10 5 x5的卷积,卷积步伐[1]和填充[0 0 0 0]3”ReLU ReLU 4”完全连接10完全连接层5”Softmax Softmax 6”crossentropyex分类输出
层数组中的访问图层和属性
定义卷积神经网络架构，用于使用一个卷积层，Relu层和完全连接的层进行分类。
层= […imageInputLayer([28 28 3]) convolution2dLayer([5 5]，10) relullayer fullconnectedlayer (10) softmaxLayer classiationlayer];
通过选择第一层显示图像输入层。
层（1）
ANS =具有属性的ImageInputLayer：name：''输入：[28 28 3] HyperParameters DataAugmentation：'None'归一化：'Zerocenter'标准化;'Auto'均值：[]
查看图像输入层的输入大小。
层(1)。InputSize
ans =1×328日28日3
显示卷积层的步幅。
层(2)。步
ans =1×21
为全连接层访问偏置学习率因子。
层(4)。BiasLearnRateFactor
ans = 1
创建简单的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:
具有按顺序连接的层的主要分支。
一个快捷方式连接包含单个的1乘1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早期层。
创建网络的主要分支作为一个层阵列。添加层将多个输入元素相加。指定添加层要相加的输入数。所有层必须有名称，并且所有的名称必须是唯一的。
图层= [imageInputLayer（[28 28 1]，“名字”,“输入”16) convolution2dLayer(5日,“填充”,'相同的',“名字”,“conv_1”) batchNormalizationLayer (“名字”,'bn_1') reluLayer (“名字”,“relu_1”32岁的)convolution2dLayer (3“填充”,'相同的',“步”2，“名字”,“conv_2”) batchNormalizationLayer (“名字”,“BN_2”) reluLayer (“名字”,“relu_2”32岁的)convolution2dLayer (3“填充”,'相同的',“名字”,'conv_3') batchNormalizationLayer (“名字”,'bn_3') reluLayer (“名字”,“relu_3”）附加层（2，“名字”,“添加”) averagePooling2dLayer (2“步”2，“名字”,“avpool”）全连接层（10，“名字”,'fc') softmaxLayer (“名字”,“softmax”scassificationlayer（“名字”,“classOutput”）];
从图层阵列创建一个图层图。分层图将所有层连接起来层按顺序。绘制层图。
lgraph = layerGraph(层);图绘制(lgraph)
创建一个1-1卷积层并将其添加到图层图中。指定卷积滤波器和步幅的数量，以便激活大小与激活大小匹配“relu_3”层。这种安排使添加层能够添加的输出“skipConv”和“relu_3”层。要检查该层是否在图形中，绘制图层图形。
32岁的skipConv = convolution2dLayer (1“步”2，“名字”,“skipConv”);lgraph = addLayers (lgraph skipConv);图绘制(lgraph)
控件创建快捷连接“relu_1”层的“添加”层。因为您在创建添加层时指定了两个输入数，所以该层有两个名为“三机”和“in2”。这“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。添加层现在会汇总输出“relu_3”和“skipConv”层。要检查图层是否正确连接，请绘制图层图。
lgraph = connectLayers (lgraph,“relu_1”,“skipConv”);lgraph = connectLayers (lgraph,“skipConv”,'添加/ in2');图图（LGraph）;
加载培训和验证数据，该数据由28×28灰度图像组成。
[XTrain, YTrain] = digitTrain4DArrayData;[XValidation, YValidation] = digitTest4DArrayData;
指定培训选项并培训网络。trainNetwork使用每个验证数据验证网络ValidationFrequency迭代。
选项=培训选项（'sgdm',…“MaxEpochs”8…“洗牌”,'每个时代',…'vightationdata'，{xvalidation，yvalidation}，…'验证职业'，30，…'verbose'，错误的，…“阴谋”,“训练进步”);net = trainnetwork（xtrain，ytrain，3.选项）;
显示培训网络的属性。网络是一个DAGNetwork目的。
网
[16×1 nnet.cnn.layer.Layer]连接:[16×2 table] InputNames: {'input'} OutputNames: {'classOutput'}
对验证图像进行分类并计算精度。这个网络非常准确。
ypredictict =分类（net，xvalidation）;精度=均值（ypredicted == yvalidation）
精度= 0.9930.
您还可以从以下列表中选择一个网站：
