主要内容

连接器

在图层中连接图层

在页面中崩溃

句法

newlgraph =连接器（lgraph，s，d）

描述

例子

newlgraph=连接器（lgraph，，，，s，，，，d）连接源层s到目标层d在图层图中lgraph。新图层图，newlgraph，包含与lgraph并包括新连接。

例子

全部收缩

打开实时脚本

创建一个带有两个输入和名称的加法层'add_1'。

add =加法器（2，'姓名'，，，，'add_1'）
add =添加层属性：name：'add_1'numInputs：2 inputNames：{'in1''in2'}

创建两个Relu层并将其连接到加法层。加法层总和来自Relu层的输出。

relu_1 = relulayer（'姓名'，，，，'relu_1'）；relu_2 = relulayer（'姓名'，，，，'relu_2'）；lgraph = layergraph;lgraph = addlayers（lgraph，relu_1）;lgraph = addlayers（lgraph，relu_2）;lgraph = addlayers（lgraph，add）;lgraph =连接器（lgraph，'relu_1'，，，，'add_1/in1'）；lgraph =连接器（lgraph，'relu_2'，，，，'add_1/in2'）；情节（lgraph）

图包含一个轴对象。轴对象包含类型图形图的对象。

打开实时脚本

创建一个简单的定向无环图（DAG）网络，以进行深度学习。训练网络以对数字的图像进行分类。此示例中的简单网络包括：

  • 依次连接的主分支。

  • 一个快捷连接包含一个1 by-1卷积层。快捷连接使参数梯度能够从输出层更容易流到网络的早期层。

创建网络的主要分支作为图层数组。加法层总和多个输入元素。指定为添加层总和的输入数。要稍后轻松添加连接，请指定第一个Relu层和加法层的名称。

layers = [imageInputlayer（[28 28 1]）卷积2Dlayer（5,16，'填充'，，，，'相同的'）batchnormalizationlayer relulayer（'姓名'，，，，'relu_1'）卷积2Dlayer（3,32，，'填充'，，，，'相同的'，，，，“大步”，2）batchnormalizationlayer relulayer卷积2Dlayer（3,32，'填充'，，，，'相同的'）batchnormalizationlayer relulayer添加剂（2，'姓名'，，，，'添加'）平均pooling2dlayer（2，“大步”，2）完整连接的layerer（10）SoftMaxlayer ClassificationLayer];

从图层数组创建图层图。LayerGraph连接所有层层顺序。绘制图层图。

lgraph = layergraph（layers）;图（lgraph）

图包含一个轴对象。轴对象包含类型图形图的对象。

创建1 by-1卷积层，然后将其添加到图层图中。指定卷积过滤器和步幅的数量，以使激活尺寸与第三层层层的激活大小相匹配。该布置使加法层添加第三个relu层和1 by-1卷积层的输出。要检查图层是否在图中，请绘制图层图。

skipconv =卷积2Dlayer（1,32，“大步”，2，'姓名'，，，，'skipconv'）；lgraph = addlayers（lgraph，skipconv）;图（lgraph）

图包含一个轴对象。轴对象包含类型图形图的对象。

从'relu_1'层到达'添加'层。因为您将两个指定为加法层的输入数量，所以该层具有两个命名的输入'in1'和'in2'。第三层层已经连接到'in1'输入。连接'relu_1'层到达'skipconv'层和'skipconv'层到达'in2'输入'添加'层。现在，加法层总结了第三个relu层的输出和'skipconv'层。要检查层是否正确连接，请绘制图层图。

lgraph =连接器（lgraph，'relu_1'，，，，'skipconv'）；lgraph =连接器（lgraph，'skipconv'，，，，'add/in2'）；图图（lgraph）;

图包含一个轴对象。轴对象包含类型图形图的对象。

加载培训和验证数据，该数据由数字的28 x 28灰度图像组成。

[Xtrain，Ytrain] = DigitTrain4DarrayData;[xvalidation，yvalidation] = digittest4darraydata;

指定培训选项并培训网络。火车网使用验证数据验证网络验证频率迭代。

选项=训练（'sgdm'，，，，...“ maxepochs”，8，...“洗牌”，，，，“每个段”，，，，...'验证data'，{xvalidation，yvalidation}，...“验证频率”，30，...“冗长”，错误的，...“绘图”，，，，“训练过程”）；net = trainnetwork（Xtrain，Ytrain，Lgraph，选项）;

人物训练进度（26-FEB-2022 11:14:06）包含2个轴对象和uigridlayout类型的另一个对象。轴对象1包含15个类型补丁，文本，行的对象。轴对象2包含15个类型补丁，文本，行的对象。

显示受过训练的网络的属性。网络是一个dagnetwork目的。

网
net =带有属性的dagnetwork：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精度。网络非常准确。

ypredistic =分类（net，xvalidation）;精度=平均值（ypredifate == yvalidation）
精度= 0.9934

输入参数

全部收缩

图层图，指定为LayerGraph目的。要创建图层图，请使用LayerGraph。

连接源，指定为字符向量或字符串标量。

  • 如果源层有一个输出，则s是层的名称。

  • 如果源层有多个输出，则s是图层名称，后跟字符 /和图层输出的名称：'laserName/outputname'。

例子：'conv1'

例子：“ mpool/indices”

连接目标，指定为字符向量或字符串标量。

  • 如果目标层有一个输入，则d是层的名称。

  • 如果目标层有多个输入，则d是图层名称，后跟字符 /和层输入的名称：'lasername/intupname'。

例子：'FC'

例子：'addlayer1/in2'

输出参数

全部收缩

输出层图，返回为LayerGraph目的。

版本历史记录

在R2017b中引入

也可以看看

||||||

话题