このページの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。
connectLayers
層グラフの層の結合
説明
例
加算層の作成と結合
2つの入力があり,名前が“add_1”である加算層を作成します。
添加= additionLayer (2“名字”，“add_1”）
add = AdditionLayer with properties: Name: 'add_1' NumInputs: 2 InputNames: {'in1' 'in2'}
2つのReLU層を作成し,これらの層を加算層に結合します。加算層でReLU層の出力が加算されます。
relu_1 = reluLayer (“名字”，“relu_1”）;relu_2 = reluLayer (“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)
シンプルなDAGネットワークの作成
深層学習用のシンプルな有向非循環グラフ(DAG)ネットワークを作成します。数字のイメージを分類するようネットワークに学習させます。この例のシンプルなネットワークは,以下から構成されます。
逐次結合層による主分岐。
単一の1 x 1畳み込み層を含む“ショートカット結合”。ショートカット結合は,パラメーターの勾配がネットワークの出力層からより初期の層へとよりスムーズに流れるようにします。
ネットワークの主分岐を層配列として作成します。加算層では複数の入力が要素単位で合計されます。加算層で合計する入力数を指定します。すべての層に名前があり、すべての名前が一意でなければなりません。
[imageInputLayer([28 28 1]，])，“名字”，“输入”16) convolution2dLayer(5日,“填充”，“相同”，“名字”，“conv_1”) batchNormalizationLayer (“名字”，“BN_1”) reluLayer (“名字”，“relu_1”32岁的)convolution2dLayer (3“填充”，“相同”，“步”2,“名字”，“conv_2”) batchNormalizationLayer (“名字”，“BN_2”) reluLayer (“名字”，“relu_2”32岁的)convolution2dLayer (3“填充”，“相同”，“名字”，“conv_3”) batchNormalizationLayer (“名字”，“BN_3”) reluLayer (“名字”，“relu_3”) additionLayer (2“名字”，“添加”) averagePooling2dLayer (2“步”2,“名字”，“avpool”) fullyConnectedLayer (10“名字”，“俱乐部”) softmaxLayer (“名字”，“softmax”) classificationLayer (“名字”，“classOutput”));
層配列から層グラフを作成します。layerGraphは层のすべての層を順に結合します。層グラフをプロットします。
lgraph = layerGraph(层);图绘制(lgraph)
1 x 1畳み込み層を作成し,層グラフに追加します。活性化のサイズが“relu_3”層の活性化のサイズと一致するように,畳み込みフィルターの数とストライドを指定します。この方法により,加算層で“skipConv”層と“relu_3”層の出力を加算できます。層がグラフに含まれることを確認するには,層グラフをプロットします。
32岁的skipConv = convolution2dLayer (1“步”2,“名字”，“skipConv”）;lgraph = addLayers (lgraph skipConv);图绘制(lgraph)
“relu_1”層から“添加”層へのショートカット結合を作成します。層の作成時に加算層への入力数を 2 に指定しているため、層には“三机”および“in2”という名前の2つの入力があります。“relu_3”層は既に“三机”入力に結合されています。“relu_1”層を“skipConv”層に結合し,“skipConv”層を“添加”層の“in2”入力に結合します。ここで加算層は“relu_3”層と“skipConv”層の出力を合計します。層が正しく結合されていることを確認するには,層グラフをプロットします。
lgraph = connectLayers (lgraph,“relu_1”，“skipConv”）;lgraph = connectLayers (lgraph,“skipConv”，“添加/ in2”）;图绘制(lgraph);
数字の28 x 28のグレースケールイメージで構成される学習データと検証データを読み込みます。
[XTrain, YTrain] = digitTrain4DArrayData;[XValidation, YValidation] = digitTest4DArrayData;
学習オプションを指定してネットワークに学習させます。trainNetworkは,ValidationFrequency回の反復ごとに検証データを使用してネットワークを検証します。
选择= 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”）;网= trainNetwork (XTrain YTrain、lgraph选项);
学習済みネットワークのプロパティを表示します。ネットワークはDAGNetworkオブジェクトになります。
净
net = DAGNetwork with properties: Layers: [16×1 net.cnn.layer. layer] Connections: [16×2 table] InputNames: {'input'} OutputNames: {'classOutput'}
検証イメージを分類し,精度を計算します。ネットワークは非常に正確になっています。
YPredicted =分类(净,XValidation);精度=平均值(YPredicted == YValidation)
精度= 0.9930
入力引数
出力引数
你也可以从以下列表中选择一个网站:
