主要内容

ConnectLayers.

在层图中连接层

折叠所有页面

语法

newlgraph = connectLayers (lgraph s d)

描述

例子

newlgraph= connectLayers (lgraph，年代，d）连接源层年代到目标层d在层图中lgraph．新的图层图，newlgraph，包含与之相同的层lgraph并包含新的连接。

例子

全部收缩

打开直播脚本

创建一个添加层，有两个输入和名称“add_1”．

添加= additionLayer (2“名字”，“add_1”）
add = AdditionLayer with properties: Name: 'add_1' NumInputs: 2 InputNames: {'in1' 'in2'}

创建两个Relu层并将它们连接到加法层。添加层与Relu层的输出总和。

relu_1 = reluLayer (“名字”，“relu_1”）;Relu_2 = Rufulayer（“名字”，“relu_2”）;lgraph = layerGraph;lgraph = addLayers (lgraph relu_1);lgraph = addLayers (lgraph relu_2);lgraph = addLayers (lgraph,添加);lgraph = connectLayers (lgraph,“relu_1”，“add_1 /三机一体”）;lgraph = connectLayers (lgraph,“relu_2”，“add_1 / in2”）;情节(lgraph)

图中包含一个轴对象。axis对象包含一个graphplot类型的对象。

打开直播脚本

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。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'，'相同的'）BatchnormalizationLayer Ruilulayer（“名字”，“relu_1”32岁的)convolution2dLayer (3'填充'，'相同的'，“步”，2) batchNormalizationLayer reluLayer convolution2dLayer(3,32，)'填充'，'相同的') batchNormalizationLayer reluLayer additionLayer(2，“名字”，“添加”) averagePooling2dLayer (2“步”，2) fulllyconnectedlayer (10) softmaxLayer classificationLayer;

从图层阵列创建一个图层图。分层图连接所有的层层按顺序。绘制图层图。

lgraph = layerGraph(层);图绘制(lgraph)

图中包含一个轴对象。axis对象包含一个graphplot类型的对象。

创建一个1-1卷积层并将其添加到图层图中。指定卷积滤波器的数量和步幅，以便激活大小与第三relu层的激活大小匹配。这种布置使添加层能够添加第三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。

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

图中包含一个轴对象。axis对象包含一个graphplot类型的对象。

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“三机”和“in2”．第三个ReLU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。添加层现在总和第三ref层的输出和“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'）;图图（LGraph）;

图中包含一个轴对象。axis对象包含一个graphplot类型的对象。

加载培训和验证数据，由数字的28×28×28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）;

图培训进度（01-SEP-2021 08:31:32）包含2个轴对象和类型yougrivlayout的另一个对象。轴对象1包含15个类型的修补程序，文本，行。轴对象2包含15个类型的补丁，文本，行的对象。

显示培训网络的属性。网络是一个DAGNetwork目的。

网
net =具有属性的Dagnetwork：图层：[16x1 nnet.cnn.layer.layer]连接：[16x2表] InputNames：{'ImageInput'} 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= 0.9934.

输入参数

全部收缩

图层图，指定为aLayerGraph目的。要创建图层图，请使用分层图．

连接源，指定为字符向量或字符串标量。

  • 如果源层只有一个输出，那么年代是层的名称。

  • 如果源层有多个输出，那么年代是层名后面加上字符/和层名输出:'layername / outputname'．

例子：'conv1'

例子：“mpool /指数”

连接目的地，指定为字符向量或字符串标量。

  • 如果目标层只有一个输入，那么d是层的名称。

  • 如果目标层有多个输入，那么d是层名后面跟着字符/和层名输入:“layerName / inputName”．

例子：'fc'

例子：'AddLayer1 / In2'

输出参数

全部收缩

输出层图，返回为LayerGraph目的。

另请参阅

||||||

主题

介绍了R2017b

深度学习工具箱文档

金宝app

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书