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。
层
深層学習用のネットワーク層
説明
深層学習用のニューラルネットワークのアーキテクチャを定義する層。
作成
MATLAB®の深層学習層の一覧については,深層学習層の一覧を参照してください。すべての層が順に結合されたニューラル ネットワークのアーキテクチャを指定するには、層の配列を直接作成します。層に複数の入力または出力がある可能性があるネットワークのアーキテクチャを指定するには、LayerGraphオブジェクトを使用します。
または,それぞれimportCaffeLayers、importKerasLayers,およびimportONNXLayersを使用して,咖啡、KerasおよびONNXから層をインポートできます。
独自のカスタム層を作成する方法については,カスタム深層学習層の定義を参照してください。
オブジェクト関数
trainNetwork |
深層学習用のニューラルネットワークの学習 |
例
ネットワークアーキテクチャの構築
1つの畳み込み層,ReLU層,全結合層がある分類用の畳み込みニューラルネットワークアーキテクチャを定義します。
层= [．..imageInputLayer([28 28 3]) convolution2dLayer([5 5]，10) reluLayer fulllyconnectedlayer (10) softmaxLayer classificationLayer
层= 6 x1层与层:数组1”的形象输入28 x28x3图像zerocenter正常化2”10 5 x5的卷积,卷积步伐[1]和填充[0 0 0 0]3”ReLU ReLU 4”完全连接10完全连接层5”Softmax Softmax 6”crossentropyex分类输出
层は层オブジェクトです。
または,層を個別に作成してから連結することもできます。
input = imageInputLayer([28 28 3]);conv =卷积2dlayer ([5 5]，10);relu = reluLayer;fc = fullyConnectedLayer (10);sm = softmaxLayer;有限公司= classificationLayer;层= [．..输入控制
层= 6 x1层与层:数组1”的形象输入28 x28x3图像zerocenter正常化2”10 5 x5的卷积,卷积步伐[1]和填充[0 0 0 0]3”ReLU ReLU 4”完全连接10完全连接层5”Softmax Softmax 6”crossentropyex分类输出
層配列の層およびプロパティへのアクセス
1つの畳み込み層,ReLU層,全結合層がある分類用の畳み込みニューラルネットワークアーキテクチャを定義します。
层= [．..imageInputLayer([28 28 3]) convolution2dLayer([5 5]，10) reluLayer fulllyconnectedlayer (10) softmaxLayer classificationLayer;
最初の層を選択して,イメージ入力層を表示します。
层(1)
ans = ImageInputLayer with properties: Name: " InputSize: [28 28 3] Hyperparameters dataugmentation: 'none' Normalization: 'zerocenter' NormalizationDimension: 'auto' Mean: []
イメージ入力層の入力サイズを表示します。
层(1)。InputSize
ans =1×328日28日3
畳み込み層のストライドを表示します。
层(2)。步
ans =1×2１ １
全結合層のバイアス学習率係数にアクセスします。
层(4)。BiasLearnRateFactor
ans = 1
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
你也可以从以下列表中选择一个网站:
