analyzeNetwork
分析深度学习网络架构
语法
描述
使用analyzeNetwork要可视化和理解网络的体系结构，请检查您是否正确定义了体系结构，并在培训前检测问题analyzeNetwork检测包括缺失或未连接的层、错误大小的层输入、错误数量的层输入和无效的图结构。
提示
要以交互方式可视化、分析和训练网络，请使用deepNetworkDesigner（net）．有关更多信息，请参见深层网络设计师．
训练网络
网络层
analyzeNetwork (分析中指定的网络层层)层也可以检测错误和问题列车网络工作流程。层可以是一个层数组或一个分层图对象。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。
analyzeNetwork (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、可学习参数和状态参数的数量和大小。使用此语法可以分析具有一个或多个未连接到输入层的输入的网络。
dlnetwork物体
analyzeNetwork (分析了dlnet)dlnetwork对象，用于自定义训练循环工作流。该功能显示网络体系结构的交互式可视化，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。
analyzeNetwork (分析了dlnet,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、可学习参数和状态参数的数量和大小。使用此语法分析未初始化的dlnetwork具有一个或多个未连接到输入层的输入。
例子
分析培训网络
加载一个预先训练的GoogLeNet卷积神经网络。
网= googlenet
net = DAGNetwork with properties: Layers: [144×1 net.cnn.layer. layer] Connections: [170×2 table] InputNames: {'data'} OutputNames: {'output'}
分析了网络。analyzeNetwork显示网络体系结构的交互式绘图和包含有关网络层信息的表格。
使用左边的情节研究网络架构。在图中选择一个图层。选中的图层在绘图和图层表中突出显示。
在表中，查看图层信息，例如图层属性、图层类型、图层激活的大小和可学习的参数。图层的激活是该图层的输出。
在网络中选择一个更深的层。请注意，更深层次的激活在空间维度(前两个维度)中较小，在通道维度(最后一个维度)中较大。利用这种结构，卷积神经网络可以逐渐增加提取图像特征的数量，同时降低空间分辨率。
通过点击层表右上角的箭头并选择，显示每个层中可学习的参数的总数总可学的．若要按列值对层表排序，将鼠标悬停在列标题上并单击出现的箭头。例如，您可以根据可学习参数的总数对各层进行排序，从而确定哪一层包含的参数最多。
analyzeNetwork(净)
修复网络架构中的错误
创建一个简单的带有快捷连接的卷积网络。将网络的主分支创建为一个层数组，并从层数组创建一个层图。layerGraph连接所有的层层按顺序。
layers = [imageInputLayer([32 32 3])]“填充”,“相同”)雷卢耶(“姓名”,“relu_1”) convolution2dLayer(3, 16岁,“填充”,“相同”,“大步走”, 2) reluLayer additionLayer (2“姓名”,“add1”) convolution2dLayer(3, 16岁,“填充”,“相同”,“大步走”, 2) reluLayer additionLayer (3“姓名”,“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的卷积层skipConv．
skipConv=卷积2dlayer（1,16，“大步走”，2，“姓名”,“skipConv”)；lgraph=addLayers（lgraph，skipConv）；lgraph=connectLayers（lgraph，“relu_1”,“add1 / in2”)；lgraph=连接层（lgraph，“add1”,“add2 / in2”）;
分析网络架构。analyzeNetwork查找网络中的四个错误。
analyzeNetwork (lgraph)
调查和修复网络中的错误。在本例中，以下问题导致错误:
这个
skipConv层未连接到网络的其余部分。它应该是网络之间的快捷连接的一部分add1和add2层。要修复此错误，请连接add1来skipConv和skipConv来add2．这个
add2层被指定有三个输入，但层只有两个输入。要修复错误，将输入的数量指定为2.．添加层的所有输入必须具有相同的大小，但是
add1层有两个不同大小的输入。因为conv_2层有一个“大步走”值为2时，该层将在前两个维度(空间维度)中对激活进行因子2的采样。来调整输入的大小relu2层，使其与来自的输入具有相同的大小relu1，通过设置下采样来去除下采样“大步走”价值conv_2层为1。
将这些修改应用到这个例子开始的层图构造中，并创建一个新的层图。
layers = [imageInputLayer([32 32 3])]“填充”,“相同”)雷卢耶(“姓名”,“relu_1”) convolution2dLayer(3, 16岁,“填充”,“相同”,“大步走”1) reluLayer additionLayer (2“姓名”,“add1”) convolution2dLayer(3, 16岁,“填充”,“相同”,“大步走”, 2) reluLayer additionLayer (2“姓名”,“add2”)完整连接层（10）softmaxLayer分类层]；lgraph=层图（层）；skipConv=卷积2dlayer（1,16，“大步走”，2，“姓名”,“skipConv”)；lgraph=addLayers（lgraph，skipConv）；lgraph=connectLayers（lgraph，“relu_1”,“add1 / in2”)；lgraph=连接层（lgraph，“add1”,“skipConv”)；lgraph=连接层（lgraph，“skipConv”,“add2 / in2”）;
分析新的架构。新的网络不包含任何错误，可以进行培训。
analyzeNetwork (lgraph)
分析自定义训练循环的层图
为自定义培训循环创建层图。对于自定义培训循环工作流，层图不得具有输出层。
[imageInputLayer([28 28 1]，])，“归一化”,“没有”,“姓名”,“输入”)卷积层（5，20，“姓名”,“conv1”) batchNormalizationLayer (“姓名”,“bn1”)雷卢耶(“姓名”,“relu1”20岁的)convolution2dLayer (3“填充”，1，“姓名”,“conv2”) batchNormalizationLayer (“姓名”,“bn2”)雷卢耶(“姓名”,“relu2”20岁的)convolution2dLayer (3“填充”,1“姓名”,“conv3”) batchNormalizationLayer (“姓名”,“bn3”)雷卢耶(“姓名”,“relu3”) fullyConnectedLayer (10“姓名”,“俱乐部”)软MaxLayer(“姓名”,“softmax”));lgraph = layerGraph(层);
层图分析使用analyzeNetwork函数，并设置“TargetUsage”选项“dlnetwork”．
analyzeNetwork (lgraph“TargetUsage”,“dlnetwork”)
在这里，函数没有报告任何与层图有关的问题。
使用示例输入分析网络
要分析一个具有未连接到输入层的输入的网络，您可以提供示例网络输入到analyzeNetwork函数。您可以在分析时提供示例输入dlnetwork对象，或者当您分析层数组或分层图对象用于自定义培训工作流“TargetUsage”、“dlnetwork”名称-值的选择。
定义网络架构。建立一个有两个分支的网络。网络有两个输入，每个分支有一个输入。使用添加层连接分支。
numFilters = 24;inputSize = [64 64 3];layerbranch1 = [imageInputLayer(inputSize，“归一化”,“没有”,“姓名”,“输入”) convolution2dLayer(3、6 * numFilters,“填充”,“相同”,“大步走”，2，“姓名”,“conv1Branch1”) groupNormalizationLayer (所有渠道的,“姓名”,“gn1Branch1”)雷卢耶(“姓名”,“relu1Branch1”)卷积2层（3，numFilters，“填充”,“相同”,“姓名”,“conv2Branch1”) groupNormalizationLayer (“通道智能”,“姓名”,“gn2Branch1”) additionLayer (2“姓名”,“添加”)雷卢耶(“姓名”,“reluCombined”) fullyConnectedLayer (10“姓名”,“俱乐部”)软MaxLayer(“姓名”,“sm”)]；layersBranch2=[convolution2dLayer（1，numFilters，“姓名”,“convBranch2”) groupNormalizationLayer (所有渠道的,“姓名”,‘gnBranch2’)]；lgraph=layerGraph（layersBranch1）；lgraph=addLayers（lgraph，layersBranch2）；lgraph=connectLayers（lgraph，‘gnBranch2’,“添加/ in2”）;
创建dlnetwork．因为这个网络包含一个未连接的输入，所以创建一个未初始化的dlnetwork对象的“初始化”名称选择错误的．
dlnet=dlnetwork（lgraph，“初始化”、假);
创建示例网络输入，其大小和格式与该网络的典型输入相同。对于这两种输入，使用32的批大小。使用尺寸为64 × 64的输入，有三个通道作为层的输入“输入”．使用尺寸为64 × 64的输入，18个通道作为层的输入“convBranch2”．
exampleInput=dlarray（rand（[inputSize 32]），“SSCB”）;exampleeconvbranch2 = dlarray(rand([32 32 18 32]))，“SSCB”）;
检查层属性来确定提供示例输入的顺序。
dlnet。层
ans=12×1带层的层阵列：1“输入”图像输入64×64×3图像2“conv1Branch1”卷积144 3×3带跨距卷积[2]和填充“相同的”3“gn1Branch1”组标准化组标准化4“relu1Branch1”ReLU ReLU 5“conv2Branch1”卷积24 3×3带跨距卷积[1]和填充“相同的”6“gn2Branch1”组标准化组标准化7“添加”2个输入的加法元素8“重新组合的”ReLU ReLU 9“fc”完全连接的10个完全连接的层10“sm”Softmax Softmax 11“convBranch2”卷积24 1×1卷积，带跨步[1]和填充[0]12“gnBranch2”组规范化组规范化
分析了网络。控件中需要输入的层的顺序相同，提供示例输入层财产的dlnetwork．您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。
分析网络（dlnet、exampleInput、exampleConvBranch2）
输入参数
另见
你也可以从以下列表中选择一个网站:
