分层图
深度学习的网络层图
描述
层图指定了具有更复杂的图结构的深度学习网络的结构，其中各层可以有来自多个层的输入和输出到多个层的输出。具有这种结构的网络称为有向无环图(DAG)网络。在创建分层图对象，您可以使用对象函数绘制图形，并通过添加、删除、连接和断开图层对其进行修改。要训练网络，请将图层图用作列车网络函数。
创建
描述
输入参数
属性
目标函数
addLayers |
添加层到层图 |
removeLayers |
从图层图中删除图层 |
replaceLayer |
在层图中替换层 |
连接层 |
在层图中连接层 |
断开层 |
断开图层图中的图层 |
情节 |
绘制神经网络层图 |
例子
向图层图添加图层
创建一个空层图和一组层。将层添加到层图中并绘制图。addLayers按顺序连接各层。
lgraph=layerGraph；layers=[imageInputLayer（[32 3]，“名字”，“输入”)卷积2层（3,16，“填充”，“一样”，“名字”，“conv_1”)批处理规范化层(“名字”，‘BN_1’) reluLayer (“名字”，“relu_1”)]; lgraph=添加层（lgraph，层）；图形绘图（lgraph）
从图层数组创建图层图
创建一个图层数组。
层=[imageInputLayer（[28 1]，“名字”，“输入”)卷积2层（3,16，“填充”，“一样”，“名字”，“conv_1”)批处理规范化层(“名字”，‘BN_1’) reluLayer (“名字”，“relu_1”)];
从图层阵列创建图层图。分层图连接中的所有层层按顺序。绘制图层图。
lgraph = layerGraph(层);图绘制(lgraph)
DAG网络层图的提取
加载一个预先训练过的SqueezeNet网络。你可以使用这个训练有素的网络进行分类和预测。
净=挤压净；
要修改网络结构，请首先使用提取DAG网络的结构分层图．然后可以使用的对象函数LayerGraph修改网络结构。
lgraph = layerGraph(净)
lgraph = LayerGraph with properties: Layers: [68x1 nnet.cnn.layer.Layer] Connections: [75x2 table] InputNames: {'data'} OutputNames: {'ClassificationLayer_predictions'}
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。这个例子中的简单网络包括:
各层按顺序连接的一种主分支。
一个快捷方式连接包含一个1乘1的卷积层。快捷连接使参数梯度更容易从输出层流向网络的早期层。
创建网络的主分支作为一个层阵列。加法层对多个输入元素进行求和。指定要求和的添加层的输入数量。为方便以后添加连接，指定第一个ReLU层和添加层的名称。
layers = [imageInputLayer([28 28 1])]“填充”，“一样”)batchNormalizationLayer reluLayer(“名字”，“relu_1”32岁的)convolution2dLayer (3“填充”，“一样”，“步”，2) batchNormalizationLayer reluLayer convolution2dLayer(3,32，)“填充”，“一样”) batchNormalizationLayer reluLayer additionLayer(2，“名字”，“添加”) averagePooling2dLayer (2“步”，2) fulllyconnectedlayer (10) softmaxLayer classificationLayer;
从图层阵列创建图层图。分层图连接中的所有层层按顺序。绘制图层图。
lgraph = layerGraph(层);图绘制(lgraph)
创建1×1卷积层并将其添加到层图中。指定卷积过滤器的数量和步长，以便激活大小与第三个ReLU层的激活大小匹配。该布置使得加法层能够添加第三ReLU层和1×1卷积层的输出。要检查图层是否在图形中，请绘制图层图形。
skipConv=卷积2dlayer（1,32，“步”2.“名字”，“skipConv”); lgraph=addLayers（lgraph，skipConv）；图形绘图（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作为添加层的输入数量，所以该层有两个名为'在1'和“in2”．第三个ReLU层已经连接到'在1'输入。连接“relu_1”层的“skipConv”层与层“skipConv”层的“in2”输入的“添加”层加法层现在将第三个ReLU层和“skipConv”层。要检查层是否连接正确，绘制层图。
lgraph = connectLayers (lgraph,“relu_1”，“skipConv”）;lgraph = connectLayers (lgraph,“skipConv”，“添加/in2”); 图形图（lgraph）；
加载训练和验证数据，该数据由28×28的数字灰度图像组成。
[XTrain，YTrain]=数字列车4DRARAYDATA；[XValidation，YValidation]=数字4阵列数据；
指定培训选项并培训网络。列车网络每年使用验证数据验证网络ValidationFrequency迭代。
选项=培训选项(“sgdm”，．..“MaxEpochs”8．..“洗牌”，“每个时代”，．..“验证数据”，{XValidation，YValidation}，．..“验证频率”,30,．..“冗长”错误的．..“阴谋”，“训练进步”); net=列车网络（XTrain、YTrain、lgraph、选项）；
显示经过训练的网络的属性。该网络是DAGNetwork对象。
网
net=DAG网络，具有以下属性：层：[16x1 nnet.cnn.layer.layer]连接：[16x2表]输入名称：{'imageinput'}输出名称：{'classoutput'}
对验证图像进行分类并计算精度。这个网络非常准确。
YPredicted=分类（净、XValidation）；准确度=平均值（预测=验证）
精度=0.9934
另请参阅
列车网络|DAGNetwork|addLayers|removeLayers|连接层|断开层|情节|水壶|resnet18|resnet50|resnet101|接收resnetv2|挤压网|附加层|replaceLayer|depthConcatenationLayer|inceptionv3|分析网络|装配网络|深度网络设计器
您还可以从以下列表中选择网站：
