layerGraph

深学习网络层的图

全部展开到页面中

描述

层图指定了深度学习网络的体系结构，它具有更复杂的图结构，其中层可以有来自多个层的输入和到多个层的输出。具有这种结构的网络称为有向无环图(DAG)网络。创建一个layerGraph对象，您可以使用对象函数来绘制图形，并通过添加、删除、连接和断开层来修改它。要训练网络，使用层图作为层输入参数trainNetwork.

创建

语法

lgraph = layerGraph
lgraph = layerGraph(层)
lgraph = layerGraph（dagNet）
lgraph = layerGraph（dlnet）

描述

例子

lgraph= layerGraph创建一个不包含任何层的空层图。可以使用。向空图形添加层addLayers函数。

例子

lgraph= layerGraph（层)从网络层数组中创建层图并设置层属性。在该层lgraph是否按与in相同的顺序连接层.所有层必须有唯一的、非空的名称。

例子

lgraph= layerGraph（dagNet)提取a的层图DAGNetwork.例如，您可以提取预训练网络的层图来执行转移学习。

lgraph= layerGraph（dlnet)提取a的层图dlnetwork.使用此语法来使用dlnetwork与trainNetwork函数或深层网络设计师.

输入参数

展开全部

DAG网络，指定为DAGNetwork宾语。

网络的定制培训的循环，指定为dlnetwork宾语。

为dlnetwork输入，该软件提取从可学习参数，并将其转换为单精度的数值数据。

属性

展开全部

网络层，指定为层阵列。

层连接，指定为表有两列。

每个表行表示层图中的一个连接。第一列,资源中，指定各个连接的源。第二列，目的地中，指定各个连接的目的地。连接源和目标是任一层名或具有形式“layerName / IOName”，其中'IOName'是输入或输出层的名称。

数据类型：表

网络输入层名称，指定为字符向量的单元数组。

数据类型：细胞

网络输出层的名称，指定为字符向量的单元阵列。

数据类型：细胞

对象函数

addLayers 向层图中添加层
removeLayers 移除层图形层
replaceLayer 在层图中替换层
connectLayers 在层图中连接层
disconnectLayers 在层图形断开层
情节 积神经网络层图形

例子

全部收缩

开立真实脚本

创建一个空层图和一个层数组。将层添加到层图并绘制图形。addLayers按顺序连接各层。

lgraph = layerGraph;层= [imageInputLayer（[32 32 3]，“名字”,“输入”）convolution2dLayer（3,16，'填充','相同',“名字”,'conv_1'）batchNormalizationLayer（“名字”,'BN_1')reluLayer (“名字”,“relu_1”）];lgraph = addLayers（lgraph，层）;图绘制(lgraph)

开立真实脚本

创建一个层数组。

层= [imageInputLayer（[28 28 1]，“名字”,“输入”）convolution2dLayer（3,16，'填充','相同',“名字”,'conv_1'）batchNormalizationLayer（“名字”,'BN_1')reluLayer (“名字”,“relu_1”）];

创建从层阵列的层图。layerGraph连接在所有层层按顺序。绘制层图。

lgraph = layerGraph(层);图绘制(lgraph)

开立真实脚本

加载一个预先训练的网络。你可以使用这个训练过的网络进行分类和预测。

净= squeezenet;

修改网络结构，首先通过使用提取DAG网络的结构layerGraph.然后，您可以使用的目标函数LayerGraph修改网络架构。

lgraph = layerGraph(净)
lgraph = LayerGraph with properties: Layers: [68x1 nnet.cn .layer. layer] Connections: [75x2 table] InputNames: {'data'} OutputNames: {' classificationlayer_'}
开立真实脚本

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连接在所有层层按顺序。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。这种布置使得除层以添加的输出“skipConv”和“relu_3”层。要检查层是否在图中，绘制层图。

skipConv = convolution2dLayer（1,32，“步”，2，“名字”,“skipConv”);lgraph = addLayers (lgraph skipConv);图绘制(lgraph)

从。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'IN1'和“in2”.该“relu_3”层已经连接到'IN1'输入。连接“relu_1”层的“skipConv”层和所述“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宾语。

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

提示

  • 层图不能指定长短时记忆(LSTM)网络的体系结构。有关如何创建LSTM网络的更多信息，请参见长短时记忆网络.

另请参阅

|||||||||||||||||||

主题

介绍了R2017b

深度学习工具箱文档
金宝app
用MATLAB引入深度学习

用MATLAB引入深度学习

下载电子书