帮助中心帮助中心
加法层
加法层添加了来自多个神经网络层元素的输入。
创建该图层的输入数量。该层的输入有名称'in1','in2',...,'inn', 在哪里n是输入的数量。通过使用连接或断开层的输入名称连接器或者断开连接器。加法层的所有输入都必须具有相同的维度。
'in1','in2',...,'inn'
n
连接器
断开连接器
layer =添加层(numInputs)
layer =添加layerer(numInputs,'name',name)
例子
层=加法器(numInputs)创建一个添加的添加图层numInputs输入元素。此功能还设置了numInputs财产。
层=加法器(numInputs)
层
numInputs
层=加法器(numInputs,“名称”,名称)还设置了姓名财产。
层=加法器(numInputs,“名称”,名称)
姓名
展开全部
该层的输入数量,指定为大于或等于2的正整数。
输入有名称'in1','in2',...,'inn', 在哪里n是numInputs。例如,如果numInputs是3,然后输入有名称'in1',in2', 和'in3'。连接或断开层的输入名称,连接器或者断开连接器功能。
'in1',in2'
'in3'
''
图层名称,指定为字符向量或字符串标量。为了层数组输入,火车网,,,,汇编工作,,,,LayerGraph, 和dlnetwork功能自动将名称分配给具有名称的图层''。
火车网
汇编工作
LayerGraph
dlnetwork
数据类型:char|细绳
char
细绳
输入名
{'in1','in2',…,'inn'}
输入名称,指定为{'in1','in2',...,'inn'}, 在哪里n是该层的输入数量。
{'in1','in2',...,'inn'}
数据类型:细胞
细胞
numOutputs
1
此属性仅阅读。
层的输出数。该层仅具有单个输出。
数据类型:双倍的
双倍的
输出名称
{'出去'}
层的输出名称。该层仅具有单个输出。
全部收缩
创建一个带有两个输入和名称的加法层'add_1'。
'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)
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)
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)
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。
'relu_1'
'添加'
'in1'
'in2'
'skipconv'
lgraph =连接器(lgraph,'relu_1',,,,'skipconv');lgraph =连接器(lgraph,'skipconv',,,,'add/in2');图图(lgraph);
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。
验证频率
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);
显示受过训练的网络的属性。网络是一个dagnetwork目的。
dagnetwork
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
火车网|LayerGraph|DepthCatenationLayer
DepthCatenationLayer
您有此示例的修改版本。您想用您的编辑打开这个示例吗?
您单击了与此MATLAB命令相对应的链接:
通过在MATLAB命令窗口中输入该命令。Web浏览器不支持MATLAB命令。万博1manbetx
选择一个网站以获取可用的翻译内容,并查看本地事件和优惠。根据您的位置,我们建议您选择:。
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英语)以获得最佳场地性能。其他Mathworks乡村网站未针对您所在的访问进行优化。
联系您当地的办公室