主要内容

汇编工作

从预计的层中组装深学习网络

在页面中崩溃

句法

汇编=汇编（层）

描述

汇编工作在没有培训的情况下，从层中创建深度学习网络。

利用汇编工作对于以下任务：

  • 将图层数组或图层图转换为准备预测的网络。

  • 从进口层组装网络。

  • 修改训练有素的网络的权重。

要从头开始训练网络，请使用火车网。

例子

汇编=汇编工作（层）组装图层阵列或图层图层进入准备用于预测的深度学习网络。

例子

全部收缩

此示例使用：

打开实时脚本

从预告片的KERAS网络中导入图层，用自定义层代替不支持的图层，然后将图层组装到准备预测的网络中。万博1manbetx

导入KERAS网络

从KERAS网络模型导入层。网络中'digitsdagnetwithnoise.h5'对数字的图像进行分类。

文件名='digitsdagnetwithnoise.h5';lgraph = importkeraslayers（文件名，“进口体重”，真的）;
警告：无法导入某些KERAS层，因为它们不受深度学习工具箱的支持。万博1manbetx它们已被占位层层所取代。要查找这些层，请在返回的对象上调用函数findplaceholderlayers。

KERAS网络包含一些深度学习Toolbox™不支持的层。万博1manbetx这ImportKeraslayers功能显示警告，并用占位符层代替未支撑的层。万博1manbetx

更换占位符层

要更换占位符层，请首先确定要替换的图层的名称。使用Findplaceholderlayers并显示其KERAS配置。

占位layerers = findplaceholderlayers（lgraph）;占位layerers.kerasconfiguration
ans =带有字段的结构：训练：1个名称：'Gaussian_noise_1'stddev：1.5000
ans =带有字段的结构：训练：1个名称：'Gaussian_noise_2'stddev：0.7000

通过保存文件来定义自定义高斯噪声层Gaussiannoiselayer.m在当前文件夹中。然后，创建两个高斯噪声层，其配置与导入的keras层相同。

gnlayer1 = gaussiannoiselayer（1.5，'new_gaussian_noise_1'）；gnlayer2 = Gaussiannoiselayer（0.7，'new_gaussian_noise_2'）；

使用自定义层代替占位符层替代者。

lgraph =替代者（lgraph，'gaussian_noise_1'，gnlayer1）;lgraph =替代者（lgraph，'gaussian_noise_2'，gnlayer2）;

指定类名

导入的分类层不包含这些类，因此您必须在组装网络之前指定这些类。如果您不指定类，则该软件会自动将类设置为1，，，，2，...，，n， 在哪里n是类的数量。

分类层具有名称'classificationlayer_activation_1'。将类设置为0，，，，1，...，，9，然后用新的分类层替换导入的分类层。

clayer = lgraph.layers（end）;clayer.classes =字符串（0：9）;lgraph =替代者（lgraph，'classificationlayer_activation_1'，克莱尔）;

组装网络

使用图层图组合汇编工作。该功能返回dagnetwork准备用于预测的对象。

net =汇编（lgraph）
net =带有属性的dagnetwork：层：[15x1 nnet.cnn.layer.layer]连接：[15x2 table] inputNames：{'input_1'} outputnames：{'classification layer_activation_1'}

输入参数

全部收缩

网络层，指定为层数组或一个LayerGraph目的。

要连接所有层连接的网络，您可以使用层数组作为输入参数。在这种情况下，返回的网络是系列网络目的。

有向的无环图（DAG）网络具有复杂的结构，其中图层可以具有多个输入和输出。要创建DAG网络，请指定网络体系结构LayerGraph对象，然后将该图层图作为输入参数汇编工作。

这汇编工作功能支持具有最多一万博1manbetx个序列输入层的网络。

有关内置层的列表，请参见深度学习层的清单。

输出参数

全部收缩

组装网络准备预测，返回为系列网络对象或一个dagnetwork目的。返回的网络取决于层输入参数：

  • 如果层是一个层然后汇编是一个系列网络目的。

  • 如果层是一个LayerGraph然后汇编是一个dagnetwork目的。

版本历史记录

在R2018B中引入

也可以看看

|||||

话题