主要内容

加法器

加法层

在页面中扩展全部

描述

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。

创建

句法

layer =添加层（numInputs）
layer =添加layerer（numInputs，'name'，name）

描述

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。

例子

层=加法器（numInputs，“名称”，名称）还设置了姓名财产。

特性

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。

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''。

数据类型：char|细绳

输入名称，指定为{'in1'，'in2'，...，'inn'}， 在哪里n是该层的输入数量。

数据类型：细胞

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

此属性仅阅读。

层的输出名称。该层仅具有单个输出。

数据类型：细胞

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

扩展功能

C/C ++代码生成
使用MATLAB®CODER™生成C和C ++代码。

GPU代码生成
使用GPU CODER™为NVIDIA®GPU生成CUDA®代码。

版本历史记录

在R2017b中引入

也可以看看

||

话题