analyzeNetwork
分析深度学习网络架构
语法
描述
使用analyzeNetwork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,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。
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]连接:[170×2 table]
分析了网络。analyzeNetwork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。
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。
[imageInputLayer([32 32 3]，])，“名字”，“输入”16) convolution2dLayer(5日,“填充”，“相同”，“名字”，“conv_1”) reluLayer (“名字”，“relu_1”) convolution2dLayer(3, 16岁,“填充”，“相同”，“步”，2，“名字”，“conv_2”) reluLayer (“名字”，“relu_2”) additionLayer (2“名字”，“add1”) convolution2dLayer(3, 16岁,“填充”，“相同”，“步”，2，“名字”，“conv_3”) reluLayer (“名字”，“relu_3”) additionLayer (3“名字”，“add2”) fullyConnectedLayer (10“名字”，“俱乐部”) classificationLayer (“名字”，“输出”));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 = 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。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:
输出类概率的softmax层必须在分类层之前。来修复
输出分类层，在分类层之前增加一个softmax层。的
skipConv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层。要修复此错误，请连接add1来skipConv和skipConv来add2．的
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“步”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，使其具有与输入相同的大小relu1，通过设置下采样来去除下采样“步”的价值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。
[imageInputLayer([32 32 3]，])，“名字”，“输入”16) convolution2dLayer(5日,“填充”，“相同”，“名字”，“conv_1”) reluLayer (“名字”，“relu_1”) convolution2dLayer(3, 16岁,“填充”，“相同”，“步”, 1“名字”，“conv_2”) reluLayer (“名字”，“relu_2”) additionLayer (2“名字”，“add1”) convolution2dLayer(3, 16岁,“填充”，“相同”，“步”，2，“名字”，“conv_3”) reluLayer (“名字”，“relu_3”) additionLayer (2“名字”，“add2”) fullyConnectedLayer (10“名字”，“俱乐部”) softmaxLayer (“名字”，“softmax”）;classificationLayer (“名字”，“输出”));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。
analyzeNetwork (lgraph)
分析自定义训练循环的层图
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。
[imageInputLayer([28 28 1]，])，“归一化”，“没有”，“名字”，“输入”20岁的)convolution2dLayer (5“名字”，“conv1”) batchNormalizationLayer (“名字”，“bn1”) reluLayer (“名字”，“relu1”20岁的)convolution2dLayer (3“填充”, 1“名字”，“conv2”) batchNormalizationLayer (“名字”，“bn2”) reluLayer (“名字”，“relu2”20岁的)convolution2dLayer (3“填充”,1“名字”，“conv3”) batchNormalizationLayer (“名字”，“bn3”) reluLayer (“名字”，“relu3”) fullyConnectedLayer (10“名字”，“俱乐部”) softmaxLayer (“名字”，“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。
输入参数
你也可以从以下列表中选择一个网站:
