主要内容

层

深度学习的网络层

在页面中扩展全部

描述

定义神经网络的体系结构的层次进行深度学习。

创建

对于MATLAB中的深度学习层列表®， 看深度学习层的清单。要指定与所有图层连接的所有图层的架构，请直接创建一个层。要指定网络的体系结构，其中层可以具有多个输入或输出，请使用LayerGraph目的。

另外，您可以使用Caffe，Keras和Onnx进口层进口商人，，，，ImportKeraslayers， 和ExpientOnnXlayers分别。

要了解如何创建自己的自定义层，请参阅定义自定义深度学习层。

对象功能

火车网 训练深学习神经网络

例子

全部收缩

打开实时脚本

定义一个卷积神经网络体系结构，用于使用一个卷积层，一个relu层和完全连接的层进行分类。

层= [...imageInputlayer（[28 28 3]）卷积2Dlayer（[5 5]，10）Relulayer PlullConnectedLayer（10）SoftMaxlayer分类器]
层= 6x1层阵列，带有层：1''图像输入28x28x3图像，带有“ zerecenter”归一化2''卷积10 5x5卷积[1 1] [1 1]和填充[0 0 0 0 0] 3''''Relu 4'relu 4'完全连接的10个完全连接的层5''softmax softmax 6'分类crossentropyex

层是一个层目的。

另外，您可以单独创建图层，然后将它们串联。

输入= ImageInputlayer（[28 28 3]）;conv =卷积2Dlayer（[5 5]，10）;relu = relulayer;fc =完整连接的layer（10）;sm = softmaxlayer;CO =分类层;层= [...输入Conv Relu FC SM Co]
层= 6x1层阵列，带有层：1''图像输入28x28x3图像，带有“ zerecenter”归一化2''卷积10 5x5卷积[1 1] [1 1]和填充[0 0 0 0 0] 3''''Relu 4'relu 4'完全连接的10个完全连接的层5''softmax softmax 6'分类crossentropyex
打开实时脚本

定义一个卷积神经网络体系结构，用于使用一个卷积层，一个relu层和完全连接的层进行分类。

层= [...imageInputlayer（[28 28 3]）卷积2Dlayer（[5 5]，10）Relulayer PlullConnectedLayer（10）SoftMaxlayer ClassificationLayer];

通过选择第一层显示图像输入层。

层（1）
ans =带有属性的ImageInputlayer：name：''inputsize：[28 28 3]超参数数据授课：'无''归一化：'zerocenter'rangorizationDimension：'auto'平均值：[]

查看图像输入层的输入大小。

（1）层。
ans =1×328 28 3

显示卷积层的大步。

层（2）。
ans =1×21 1

访问完全连接层的偏置学习率因子。

层（4）.BiaslearnrateFactor
ans = 1
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

版本历史记录

在R2016a中引入

也可以看看

|||||

话题