文档帮助中心文档
添加层
加法层以元素的方式增加来自多个神经网络层的输入。
在创建图层时指定输入的数量。层的输入有名字“三机”、“in2’,……,“酒店”, 在哪里N是输入的数量。通过使用连接或断开图层时使用输入名称ConnectLayers.或者畅通无阻.添加层的所有输入必须具有相同的维度。
“三机”、“in2’,……,“酒店”
N
ConnectLayers.
畅通无阻
tillay = nogderlayer(numinputs)
层= additionLayer (numInputs,“名字”,名称)
例子
层=附加层(numinputs.)创建添加的添加层numinputs.输入元素明智。此功能也设置了numinputs.财产。
层=附加层(numinputs.)
层
numinputs.
层=附加层(numinputs.“名字”,名称)还设置了的名字财产。
层=附加层(numinputs.“名字”,名称)
的名字
展开全部
图层的输入数量,指定为大于或等于2的正整数。
输入有名称“三机”、“in2’,……,“酒店”, 在哪里N是numinputs..例如,如果numinputs.是3,然后输入有名称'In1','In2', 和“in3”.使用输入或断开图层时使用输入名称ConnectLayers.或者畅通无阻职能。
'In1','In2'
“in3”
''
图层名称,指定为字符向量或字符串标量。为了层数组输入,Trainnetwork.,汇编,分层图, 和dlnetwork.函数自动将名称分配给图层的名字设置为''.
Trainnetwork.
汇编
分层图
dlnetwork.
数据类型:char|字符串
char
字符串
输入名称
{“三机”,“in2”,…,“客栈”}
输入名称,指定为{'In1','In2',...,'Inn'}, 在哪里N为该层的输入数。
{'In1','In2',...,'Inn'}
数据类型:细胞
细胞
NumOutputs
1
此属性是只读的。
图层的输出次数。此图层仅具有单个输出。
数据类型:双倍的
双倍的
输出名称
{“出”}
图层的输出名称。此图层仅具有单个输出。
全部收缩
创建一个添加层,有两个输入和名称'add_1'.
'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)
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)
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)
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。
“relu_1”
“添加”
“三机”
“in2”
“skipConv”
lgraph = connectLayers (lgraph,“relu_1”,“skipConv”);lgraph = connectLayers (lgraph,“skipConv”,'添加/ in2');图图(LGraph);
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。
ValidationFrequency
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);
显示培训网络的属性。网络是一个DAGNetwork目的。
DAGNetwork
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.
Trainnetwork.|分层图|depthConcatenationLayer
depthConcatenationLayer
您有这个示例的修改版本。您想打开这个示例与您的编辑吗?
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:.
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
联系您当地的办公室