分析
深度学习网络体系结构分析
语法
描述
使用分析要可视化并理解网络的体系结构，请检查您已经正确定义了体系结构，并在培训之前检测问题。的问题,分析检测包括丢失或未连接的图层、大小不正确的图层输入、数量不正确的图层输入以及无效的图形结构。
提示
交互式地可视化、分析和训练一个网络，使用deepNetworkDesigner(净)。有关详细信息，请参阅深网络设计师．
训练有素的网络
网络层
分析网络(分析中指定的网络层层）层还可以检测的错误和问题trainNetwork工作流。层可以是A.层数组或LayerGraph对象。该功能以交互式的方式显示网络架构，并提供有关网络层的详细信息。层信息包括层激活的数量和大小、可学习参数和状态参数。
分析网络(使用示例网络输入分析网络层层，dlX1，…，dlXn，'TargetUsage'，'dlnetwork'）dlX1，…，dlXn．该软件通过网络传播示例输入，以确定层激活，学习参数和状态参数的数量和大小。使用此语法来分析具有一个或多个未连接到输入层的输入的网络。
dlnetwork.对象
分析网络(分析数据链路）dlnetwork.对象用于自定义训练循环工作流。该功能以交互式的方式显示网络架构，并提供有关网络层的详细信息。层信息包括层激活的数量和大小、可学习参数和状态参数。
分析网络(分析数据链路，dlX1，…，dlXn）dlnetwork.对象使用示例网络输入dlX1，…，dlXn．该软件通过网络传播示例输入，以确定层激活，学习参数和状态参数的数量和大小。使用此语法分析一个未初始化的dlnetwork.它有一个或多个未连接到输入层的输入。
例子
分析训练网络
加载预训练的GoogLeNet卷积神经网络。
net = googlenet.
net =具有属性的Dagnetwork：图层：[144×1 nnet.cnn.layer.layer]连接：[170×2表] InputNames：{'data'} OutputNames：{'输出'}
分析网络。分析显示网络架构的交互图和包含有关网络层信息的表。
使用左侧的绘图调查网络架构。在绘图中选择一个图层。选定的图层在绘图和图层表中高亮显示。
在该表中，可以查看层属性、层类型、层激活的大小和可学习参数等层信息。一层的激活就是该层的输出。
选择网络中较深的层。请注意，较深层中的激活在空间维度（前两个维度）中较小，在通道维度（最后一个维度）中较大使用这种结构，卷积神经网络可以逐渐增加提取的图像特征数量，同时降低空间分辨率。
通过单击图层表的右上角的箭头显示每层学习参数的总数，然后选择学术总量．要按列值对图层表进行排序，请将鼠标悬停在列标题上，然后单击出现的箭头。例如，您可以通过从学习参数的总数进行排序，确定哪些图层包含最多参数。
分析网络（net）
修复网络架构中的错误
使用快捷连接创建一个简单的卷积网络。将网络的主分支创建为图层数组，并从图层阵列中创建一个图层图。分层图连接所有图层层按顺序。
图层= [imageInputlayer（[32 32 3]）卷积2dlayer（5,16，'填充'，“一样”) reluLayer (“名字”，“relu_1”)卷积2层（3,16，'填充'，“一样”，“步”，2）剥离附加层（2，“名字”，“add1”)卷积2层（3,16，'填充'，“一样”，“步”，2）剥离附加层（3，“名字”，'Add2') fulllyconnectedlayer (10) softmaxLayer classificationLayer;lgraph = layerGraph(层);
创建快捷连接。其中一个快捷连接包含一个1乘1卷积层斯基普孔夫．
skipConv = convolution2dLayer(1, 16岁,“步”2，“名字”，“skipConv”）;lgraph = addLayers (lgraph skipConv);lgraph = connectLayers (lgraph,“relu_1”，“add1/in2”）;lgraph = connectLayers (lgraph,“add1”，“add2/in2”）;
分析网络架构。分析在网络中查找四个错误。
分析网络（lgraph）
调查并修复网络中的错误。在此示例中，以下问题导致错误：
的
斯基普孔夫层没有连接到网络的其余部分。它应该是快捷连接的一部分Add1.和Add2.图层。若要修复此错误，请连接Add1.到斯基普孔夫和斯基普孔夫到Add2.．的
Add2.将图层指定为具有三个输入，但图层只有两个输入。要修复错误，请指定输入的数量2．所有输入到加法层必须具有相同的大小，但是
Add1.层有两个大小不同的输入Conv_2.层有一个“步”值为2时，该层在前两个维度（空间维度）中以2的因子对激活进行下采样relu2.层，使其具有与输入相同的大小relu1.，通过设置“步”的价值Conv_2.层到1。
从本例开始，将这些修改应用于层图构造，并创建一个新的层图。
图层= [imageInputlayer（[32 32 3]）卷积2dlayer（5,16，'填充'，“一样”) reluLayer (“名字”，“relu_1”)卷积2层（3,16，'填充'，“一样”，“步”，1）reluLayer附加层（2，“名字”，“add1”)卷积2层（3,16，'填充'，“一样”，“步”，2）剥离附加层（2，“名字”，'Add2') fulllyconnectedlayer (10) softmaxLayer classificationLayer;lgraph = layerGraph(层);skipConv = convolution2dLayer(1, 16岁,“步”2，“名字”，“skipConv”）;lgraph = addLayers (lgraph skipConv);lgraph = connectLayers (lgraph,“relu_1”，“add1/in2”）;lgraph = connectLayers (lgraph,“add1”，“skipConv”）;lgraph = connectLayers (lgraph,“skipConv”，“add2/in2”）;
分析新的架构。新的网络不包含任何错误，可以随时接受训练。
分析网络（lgraph）
分析定制训练循环的图层图
创建一个自定义训练循环的层图。对于自定义训练循环工作流，层图必须没有输出层。
层=[imageInputLayer（[28 1]，'正常化'，“没有”，“名字”，“输入”20岁的)convolution2dLayer (5“名字”，“conv1”batchnormalizationlayer（“名字”，“bn1”) reluLayer (“名字”，'relu1'）卷积2dlayer（3,20，'填充'，1，“名字”，“conv2”batchnormalizationlayer（“名字”，“bn2”) reluLayer (“名字”，“relu2”）卷积2dlayer（3,20，'填充'1.“名字”，“conv3”batchnormalizationlayer（“名字”，“bn3”) reluLayer (“名字”，“relu3”)完全连接层（10，“名字”，“fc”) softmaxLayer (“名字”，“softmax”)]; lgraph=层图（层）；
使用该层图分析图层图分析函数并设置'targetusage'选择“dlnetwork”．
分析网络（lgraph，'targetusage'，“dlnetwork”）
在这里，该函数未报告图层图的任何问题。
使用输入示例分析网络
要分析具有未连接到输入层的输入的网络，可以向分析函数。您可以在分析时提供示例输入dlnetwork.对象，或者当你分析时层数组或LayerGraph使用定制培训工作流的对象“TargetUsage”、“dlnetwork”名称值选项。
定义网络架构。用两个分支构造一个网络。网络需要两个输入，每个分支输入一个输入。使用加法层连接分支。
numFilters=24；inputSize=[64 64 3]；LayerBranch1=[imageInputLayer（inputSize，'正常化'，“没有”，“名字”，“输入”）卷积2dlayer（3,6 * numfilters，'填充'，“一样”，“步”2，“名字”，“conv1Branch1”)组规范化层('全频道'，“名字”，“gn1Branch1”) reluLayer (“名字”，“relu1Branch1”) convolution2dLayer (3 numFilters'填充'，“一样”，“名字”，'conv2branch1')组规范化层(“channel-wise”，“名字”，“gn2Branch1”)附加层（2，“名字”，“添加”) reluLayer (“名字”，'RECUCOMOMBONED')完全连接层（10，“名字”，“fc”) softmaxLayer (“名字”，“sm”));layersBranch2 =[卷积2dlayer (1,numFilters，“名字”，“convBranch2”)组规范化层('全频道'，“名字”，“gnBranch2”));lgraph = layerGraph (layersBranch1);lgraph = addLayers (lgraph layersBranch2);lgraph = connectLayers (lgraph,“gnBranch2”，“添加/in2”）;
创造dlnetwork.。由于此网络包含未连接的输入，请创建未初始化的dlnetwork.通过设置'初始化'名称值选项假．
dlnet = dlnetwork (lgraph,'初始化'，假）；
创建示例网络输入与此网络的典型输入相同的大小和格式。对于两个输入，使用批量大小为32.使用带有三个通道的大小64乘6的输入，用于输入到图层“输入”.使用大小为64×64的输入，带有18个通道，用于层的输入“convBranch2”．
exampleInput = dlarray(rand([inputSize 32]))，'SSCB'); 例如convBranch2=dlarray（rand（[32 18 32]），'SSCB'）;
检查层网络属性，以确定提供示例输入的顺序。
dlnet.Layers
ans = 12×1 Layer array with layers:1的输入图像输入64×64×3图片2的conv1Branch1卷积144 3×3旋转步(2 - 2)和填充“相同”3“gn1Branch1”集团标准化规范化4的relu1Branch1 ReLU ReLU 5‘conv2Branch1卷积24 3×3的隆起与步幅[1]和填充“相同”6“gn2Branch1”集团标准化规范化7'add' add Element-wise add of 2 input 8 'reluCombined' ReLU ReLU 9 'fc' Fully Connected 10 Fully Connected layer 10 'sm' Softmax Softmax 11 'convBranch2' Convolution 24 1×1 convolutions with stride [1 1] and padding [0 0 0] 12 'gnBranch2' Group Normalization组归一化
分析网络。以与需要输入的层相同的顺序提供示例输入层财产的财产dlnetwork.。必须为所有网络输入提供示例输入，包括连接到输入层的输入。
analyzeNetwork (dlnet exampleInput exampleConvBranch2)
输入参数
另请参阅
您还可以从以下列表中选择网站：
