DAGNetwork
深度学习的有向无环图(DAG)网络
描述
DAG网络是一种用于深度学习的神经网络，其层排列为有向无环图。DAG网络可以具有更复杂的体系结构，其中各层具有来自多个层的输入和向多个层的输出。
创建
有几种方法可以创建DAGNetwork对象:
加载一个预训练的网络，例如
squeezenet，googlenet，resnet50，resnet101,或inceptionv3．使用示例请参见负载挤压网络．有关预训练网络的详细信息，请参见预训练深度神经网络．训练或微调网络使用
trainNetwork．使用示例请参见训练深度学习网络对新图像进行分类．从TensorFlow™-Keras、TensorFlow 2、Caffe或ONNX™(Open Neural network Exchange)模型格式导入预训练网络。
对于Keras模型，使用
importKerasNetwork．使用示例请参见导入和绘制Keras网络．对于保存模型格式的TensorFlow模型，使用
importTensorFlowNetwork．使用示例请参见导入TensorFlow网络作为DAGNetwork进行图像分类．对于Caffe模型，使用
importCaffeNetwork．使用示例请参见进口咖啡网络．对于ONNX模型，使用
importONNXNetwork．使用示例请参见将ONNX Network导入为DAGNetwork．
从预训练层组装一个深度学习网络
assembleNetwork函数。
请注意
要了解其他预训练网络，请参见预训练深度神经网络．
属性
例子
创建简单的DAG网络
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。本例中的简单网络包括:
按顺序连接的层的主要分支。
一个快捷方式连接包含一个1 × 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较早层。
创建网络的主分支作为层阵列。附加层对多个输入元素求和。指定添加层要求和的输入数。为了方便以后添加连接，请为第一个ReLU层和附加层指定名称。
layers = [imageInputLayer([28 28 1])卷积2dlayer (5,16，“填充”，“相同”) batchNormalizationLayer relullayer (“名字”，“relu_1”32岁的)convolution2dLayer (3“填充”，“相同”，“步”，2) batchnormalize layer reluLayer convolution2dLayer(3,32;“填充”，“相同”) batchNormalizationLayer reluLayer additionLayer(2，“名字”，“添加”) averagePooling2dLayer (2“步”，2) fulllyconnectedlayer (10) softmaxLayer classificationLayer];
从层数组中创建一个层图。layerGraph连接所有的图层层按顺序。绘制层图。
lgraph = layerGraph(layers);图绘制(lgraph)
创建1 × 1卷积层并将其添加到层图中。指定卷积过滤器的数量和步幅，以便激活大小与第三个ReLU层的激活大小匹配。这种安排使附加层能够添加第三个ReLU层和1 × 1卷积层的输出。为了检查层是否在图中，绘制层图。
skipConv = convolution2dLayer(1,32，“步”2,“名字”，“skipConv”）;lgraph = addLayers(lgraph,skipConv);图绘制(lgraph)
创建快捷连接“relu_1”图层到“添加”层。由于您在创建添加层时指定了2个作为其输入的数量，因此该层有两个名为“三机”和“in2”．第三个ReLU层已经连接到“三机”输入。连接“relu_1”图层到“skipConv”图层和“skipConv”图层到“in2”的输入“添加”层。添加的层现在将第三个ReLU层的输出和“skipConv”层。为了检查层是否正确连接，绘制层图。
lgraph = connectLayers(lgraph，“relu_1”，“skipConv”）;lgraph = connectLayers(lgraph，“skipConv”，“添加/ in2”）;图绘制(lgraph);
加载训练和验证数据，该数据由28 × 28的数字灰度图像组成。
[XTrain,YTrain] = digitTrain4DArrayData;[XValidation,YValidation] = digitTest4DArrayData;
指定培训选项并训练网络。trainNetwork每次使用验证数据验证网络ValidationFrequency迭代。
options = trainingOptions(“个”，…“MaxEpochs”8…“洗牌”，“every-epoch”，…“ValidationData”{XValidation, YValidation},…“ValidationFrequency”30岁的…“详细”假的,…“阴谋”，“训练进步”）;net = trainNetwork(XTrain,YTrain,lgraph,options);
显示训练后网络的属性。网络是一个DAGNetwork对象。
网
net = DAGNetwork with properties: Layers: [16x1 nnet.cnn.layer.Layer] Connections: [16x2 table] InputNames: {'imageinput'} OutputNames: {'classoutput'}
对验证图像进行分类并计算准确率。网络是非常准确的。
分类(net,XValidation);准确度=平均值(ypredicting == YValidation)
精度= 0.9934
扩展功能
版本历史
在R2017b中引入
