Main Content

이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

connectLayers

계층 그래프에서 계층 연결

페이지 내 모두 축소

구문

newlgraph = connectLayers(lgraph,s,d)

설명

예제

newlgraph= connectLayers(lgraph,s,d)는 계층 그래프lgraph에서 소스 계층s를 대상 계층d에 연결합니다. 새로운 계층 그래프newlgraph는lgraph와 동일한 계층을 포함하면서 새 연결도 같이 포함합니다.

예제

모두 축소

라이브 스크립트 열기

입력값이 2개이고 이름이'add_1'인 덧셈 계층을 만듭니다.

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

2개의 ReLU 계층을 만들어서 덧셈 계층에 연결합니다. 덧셈 계층은 ReLU 계층의 출력값을 합산합니다.

relu_1 = reluLayer('Name','relu_1'); relu_2 = reluLayer('Name',“relu_2”); lgraph = layerGraph; lgraph = addLayers(lgraph,relu_1); lgraph = addLayers(lgraph,relu_2); lgraph = addLayers(lgraph,add); lgraph = connectLayers(lgraph,'relu_1','add_1/in1'); lgraph = connectLayers(lgraph,“relu_2”,'add_1/in2'); plot(lgraph)

Figure contains an axes. The axes contains an object of type graphplot.

라이브 스크립트 열기

딥러닝을 위한 간단한 DAG(유방향 비순환 그래프) 신경망을 만듭니다. 숫자 영상을 분류하도록 신경망을 훈련시킵니다. 이 예제의 간단한 신경망은 다음으로 구성됩니다.

  • 계층이 순차적으로 연결된 기본 분기.

  • 1×1 컨벌루션 계층 1개를 포함하는지름길 연결。지름길연결은출력계층에서신경망의이전계층으로파라미터기울기가보다쉽게흐르도록 해 줍니다.

신경망의 기본 분기를 계층 배열로 만듭니다. 덧셈 계층은 여러 개의 입력값을 요소별로 합산합니다. 덧셈 계층이 합산할 입력값의 개수를 지정합니다. 계층은 모두 고유한 이름을 가져야 합니다.

layers = [ imageInputLayer([28 28 1],'Name',“输入”) convolution2dLayer(5,16,'Padding','same','Name','conv_1') batchNormalizationLayer('Name','BN_1') reluLayer('Name','relu_1') convolution2dLayer(3,32,'Padding','same','Stride',2,'Name','conv_2') batchNormalizationLayer('Name','BN_2') reluLayer('Name',“relu_2”) convolution2dLayer(3,32,'Padding','same','Name','conv_3') batchNormalizationLayer('Name','BN_3') reluLayer('Name','relu_3') additionLayer(2,'Name','add') averagePooling2dLayer(2,'Stride',2,'Name','avpool') fullyConnectedLayer(10,'Name','fc') softmaxLayer('Name','softmax') classificationLayer('Name','classOutput')];

계층 배열에서 계층 그래프를 만듭니다.layerGraph는layers에 있는 모든 계층을 순차적으로 연결합니다. 계층 그래프를 플로팅합니다.

lgraph= layerGraph(layers); figure plot(lgraph)

1×1 컨벌루션 계층을 만들어서 계층 그래프에 추가합니다. 활성화 크기가'relu_3'계층의 활성화 크기와 일치하도록 컨벌루션 필터의 개수와 스트라이드를 지정합니다. 이렇게 지정해 두면 덧셈 계층이'skipConv'계층과'relu_3'계층의 출력값을 더할 수 있게 됩니다. 계층이 그래프에 있는지 확인하기 위해 계층 그래프를 플로팅합니다.

skipConv = convolution2dLayer(1,32,'Stride',2,'Name','skipConv'); lgraph = addLayers(lgraph,skipConv); figure plot(lgraph)

'relu_1'계층에서'add'계층으로 지름길 연결을 만듭니다. 덧셈 계층을 만들 때 계층의 입력값의 개수를 2로 지정했으므로 이 계층은 이름이 각각'in1'과'in2'인 2개의 입력값을 갖습니다.'relu_3'계층은 이미'in1'입력값에 연결되어 있습니다.'relu_1'계층을'skipConv'계층에 연결하고'skipConv'계층을'add'계층의'in2'입력값에 연결합니다. 이 덧셈 계층이'relu_3'계층과'skipConv'계층의 출력값을 합산합니다. 계층이 올바르게 연결되었는지 확인하려면 계층 그래프를 플로팅합니다.

lgraph= connectLayers(lgraph,'relu_1','skipConv'); lgraph = connectLayers(lgraph,'skipConv','add/in2'); figure plot(lgraph);

28×28 회색조 숫자 영상으로 구성된 훈련 데이터와 검증 데이터를 불러옵니다.

[XTrain,YTrain] = digitTrain4DArrayData; [XValidation,YValidation] = digitTest4DArrayData;

훈련 옵션을 지정하고 신경망을 훈련시킵니다.trainNetwork는ValidationFrequency회 반복마다 검증 데이터를 사용하여 신경망을 검증합니다.

options = trainingOptions('sgdm',。..“MaxEpochs”,8,。..'Shuffle','every-epoch',。..'ValidationData',{XValidation,YValidation},。..'ValidationFrequency',30,。..'Verbose',false,。..“阴谋”,'training-progress'); net = trainNetwork(XTrain,YTrain,lgraph,options);

훈련된 신경망의 속성을 표시합니다. 신경망은DAGNetwork객체입니다.

net
net = DAGNetwork with properties: Layers: [16×1 nnet.cnn.layer.Layer] Connections: [16×2 table] InputNames: {'input'} OutputNames: {'classOutput'}

검증 영상을 분류하고 정확도를 계산합니다. 이 신경망은 정확도가 매우 높습니다.

YPredicted = classify(net,XValidation); accuracy = mean(YPredicted == YValidation)
accuracy = 0.9930

입력 인수

모두 축소

계층 그래프로,LayerGraph객체로 지정됩니다. 계층 그래프를 만들려면layerGraph를 사용하십시오.

연결 소스로, 문자형 벡터 또는 string형 스칼라로 지정됩니다.

  • 소스 계층이 1개의 출력값을 갖는 경우,s는 계층의 이름입니다.

  • 소스 계층이 여러 개의 출력값을 갖는 경우,s는'layerName/outputName'과 같이 계층 이름과 문자 /와 계층 출력값이 결합된 형태의 이름입니다.

예:'conv1'

예:'mpool/indices'

연결 대상으로, 문자형 벡터 또는 string형 스칼라로 지정됩니다.

  • 대상 계층이 1개의 입력값을 갖는 경우,d는 계층의 이름입니다.

  • 대상 계층이 여러 개의 입력값을 갖는 경우,d는'layerName/inputName'과 같이 계층 이름과 문자 /와 계층 입력값이 결합된 형태의 이름입니다.

예:'fc'

예:'addlayer1/in2'

출력 인수

모두 축소

출력 계층 그래프로,LayerGraph객체로 반환됩니다.

참고 항목

||||||

도움말 항목

R2017b에 개발됨

Deep Learning Toolbox 문서

지원

Introducing Deep Learning with MATLAB

Introducing Deep Learning with MATLAB

Download ebook