analyzeNetwork
深度学习网络体系结构分析
句法
描述
使用analyzeNetwork可视化和了解网络的架构，检查是否已正确定义的架构，并在训练前发现问题。问题：analyzeNetwork检测包括丢失或未连接的图层、大小不正确的图层输入、数量不正确的图层输入以及无效的图形结构。
提示
要交互式可视化，分析和培训网络，使用deepNetworkDesigner（净）。有关详细信息，请参阅深层网络设计师．
网络层
分析网络(分析在指定的网络层层数）层数还可以检测的错误和问题Trainnetwork.工作流程。层数可以是一个层数组或LayerGraph对象。该功能以交互式的方式显示网络架构，并提供有关网络层的详细信息。层信息包括数量和大小层激活，可学习参数和状态参数的。
分析网络(使用示例网络输入分析网络层层数那dlX1，…，dlXn，'TargetUsage'，'dlnetwork'）dlX1，…，dlXn．该软件通过网络传播示例输入，以确定层激活、可学习参数和状态参数的数量和大小。使用此语法可以分析具有一个或多个未连接到输入层的输入的网络。
dlnetwork对象
分析网络(分析数据链路）dlnetwork对象的定制培训循环的工作流程。该功能以交互式的方式显示网络架构，并提供有关网络层的详细信息。层信息包括数量和大小层激活，可学习参数和状态参数的。
分析网络(分析数据链路那dlX1，…，dlXn）dlnetwork对象使用例如网络输入dlX1，…，dlXn．该软件通过网络传播示例输入，以确定层激活、可学习参数和状态参数的数量和大小。使用此语法分析未初始化的dlnetwork具有未连接到输入层中的一个或多个输入。
例子
分析训练网络
加载预训练的GoogLeNet卷积神经网络。
网= googlenet
net = DAGNetwork with properties: Layers: [144×1 net.cnn.layer. layer] Connections: [170×2 table] InputNames: {'data'} OutputNames: {'output'}
分析了网络。analyzeNetwork显示网络架构的交互式情节和关于所述网络层的含表信息。
使用左侧的绘图调查网络架构。在绘图中选择一个图层。选定的图层在绘图和图层表中高亮显示。
在表中，查看层信息，诸如层性能，层类型和层激活和可学习参数的大小。层的激活是该层的输出。
选择网络中较深的层。请注意，较深层中的激活在空间维度（前两个维度）中较小，在通道维度（最后一个维度）中较大使用这种结构，卷积神经网络可以逐渐增加提取的图像特征数量，同时降低空间分辨率。
通过点击层表右上角的箭头并选择，显示每个层中可学习的参数的总数总可学的．若要按列值对层表排序，将鼠标悬停在列标题上并单击出现的箭头。例如，您可以根据可学习参数的总数对各层进行排序，从而确定哪一层包含的参数最多。
分析网络（net）
修复网络架构中的错误
创建一个简单的带有快捷连接的卷积网络。将网络的主分支创建为一个层数组，并从层数组创建一个层图。分层图连接所有的层层数按顺序。
layers = [imageInputLayer([32 32 3])]“填充”那“一样”）reluLayer（'姓名'那'relu_1')卷积2层（3,16，“填充”那“一样”那'走吧', 2) reluLayer additionLayer (2'姓名'那“add1”)卷积2层（3,16，“填充”那“一样”那'走吧', 2) reluLayer additionLayer (3'姓名'那“add2”) fulllyconnectedlayer (10) softmaxLayer classificationLayer;lgraph = layerGraph（层）;
创建快捷连接。其中一个快捷连接包含一个1乘1卷积层斯基普孔夫．
skipConv = convolution2dLayer（1,16，'走吧'2,'姓名'那“skipConv”）;lgraph = addLayers（lgraph，skipConv）;lgraph = connectLayers（lgraph，'relu_1'那“add1/in2”）;lgraph = connectLayers（lgraph，“add1”那“add2/in2”）;
分析网络架构。analyzeNetwork在网络中查找四个错误。
分析网络（lgraph）
调查和修复网络中的错误。在本例中，以下问题导致错误:
这
斯基普孔夫层没有连接到网络的其余部分。它应该是之间的快捷连接的一部分add1和add2图层。若要修复此错误，请连接add1到斯基普孔夫和斯基普孔夫到add2．这
add2层被指定有三个输入，但层只有两个输入。要修复错误，将输入的数量指定为2．添加层的所有输入必须具有相同的大小，但是
add1层有两个大小不同的输入conv_2层有一个'走吧'值为2时，该层在前两个维度（空间维度）中以2的因子对激活进行下采样relu2层，使得它的尺寸与从输入相同relu1，通过设置'走吧'值conv_2层到1。
从本例开始，将这些修改应用于层图构造，并创建一个新的层图。
layers = [imageInputLayer([32 32 3])]“填充”那“一样”）reluLayer（'姓名'那'relu_1')卷积2层（3,16，“填充”那“一样”那'走吧'，1）reluLayer附加层（2，'姓名'那“add1”)卷积2层（3,16，“填充”那“一样”那'走吧', 2) reluLayer additionLayer (2'姓名'那“add2”) fulllyconnectedlayer (10) softmaxLayer classificationLayer;lgraph = layerGraph（层）;skipConv = convolution2dLayer（1,16，'走吧'2,'姓名'那“skipConv”）;lgraph = addLayers（lgraph，skipConv）;lgraph = connectLayers（lgraph，'relu_1'那“add1/in2”）;lgraph = connectLayers（lgraph，“add1”那“skipConv”）;lgraph = connectLayers（lgraph，“skipConv”那“add2/in2”）;
分析新架构。新的网络不包含任何错误，并准备进行培训。
分析网络（lgraph）
分析自定义训练循环的层图
创建一个自定义的训练循环一层图。对于定制培训循环的工作流程，该层图形不能有一个输出层。
[imageInputLayer([28 28 1]，])，“归一化”那'没有任何'那'姓名'那'输入'）convolution2dLayer（5，20，'姓名'那“conv1”) batchNormalizationLayer ('姓名'那“bn1”）reluLayer（'姓名'那“relu1”)卷积2层（3,20，“填充”,1，'姓名'那'CONV2') batchNormalizationLayer ('姓名'那“bn2”）reluLayer（'姓名'那“relu2”20岁的)convolution2dLayer (3“填充”1.'姓名'那'conv3') batchNormalizationLayer ('姓名'那“bn3”）reluLayer（'姓名'那“relu3”)完全连接层（10，'姓名'那“fc”）softmaxLayer（'姓名'那“softmax”)]; lgraph=层图（层）；
层图分析使用analyzeNetwork函数并设置“TargetUsage”选项'dlnetwork'．
分析网络（lgraph，“TargetUsage”那'dlnetwork'）
在这里，函数没有报告任何与层图有关的问题。
分析网络使用实施例的输入
要分析具有未连接到输入层的输入的网络，可以向analyzeNetwork函数。您可以在分析时提供示例输入dlnetwork对象，或当您分析层数组或LayerGraph对象用于自定义培训工作流“TargetUsage”、“dlnetwork”名称值选项。
定义网络架构。建立一个有两个分支的网络。网络有两个输入，每个分支有一个输入。使用添加层连接分支。
numFilters=24；inputSize=[64 64 3]；LayerBranch1=[imageInputLayer（inputSize，“归一化”那'没有任何'那'姓名'那'输入') convolution2dLayer(3、6 * numFilters,“填充”那“一样”那'走吧'2,'姓名'那“conv1Branch1”)组规范化层(所有渠道的那'姓名'那“gn1Branch1”）reluLayer（'姓名'那“relu1Branch1”）convolution2dLayer（3，numFilters，“填充”那“一样”那'姓名'那“conv2Branch1”)组规范化层(“信道逐”那'姓名'那“gn2Branch1”)附加层（2，'姓名'那“添加”）reluLayer（'姓名'那“reluCombined”)完全连接层（10，'姓名'那“fc”）softmaxLayer（'姓名'那“sm”）];layersBranch2 = [convolution2dLayer（1，numFilters，'姓名'那'convBranch2')组规范化层(所有渠道的那'姓名'那'gnBranch2'）];lgraph = layerGraph（layersBranch1）;lgraph = addLayers（lgraph，layersBranch2）;lgraph = connectLayers（lgraph，'gnBranch2'那“添加/in2”）;
创建dlnetwork。由于此网络包含未连接的输入，请创建未初始化的dlnetwork通过设置“初始化”名称选择错误的．
dlnet = dlnetwork（lgraph，“初始化”，假）；
创建示例网络输入，其大小和格式与该网络的典型输入相同。对于这两种输入，使用32的批大小。使用尺寸为64 × 64的输入，有三个通道作为层的输入'输入'.使用大小为64×64的输入，带有18个通道，用于层的输入'convBranch2'．
exampleInput = dlarray（RAND（[inputSize 32]），“SSCB”); 例如convBranch2=dlarray（rand（[32 18 32]），“SSCB”）;
检查层网络属性，以确定提供示例输入的顺序。
dlnet.Layers
ANS = 12×1层阵列层：1 '输入' 图像输入64×64×3倍的图像2 'conv1Branch1' 卷积144个3×3与步幅[2 2]和填补 '相同的' 3 'gn1Branch1' 组标准化组卷积归一化4“relu1Branch1” RELU RELU 5“conv2Branch1”卷积24个3×3与步幅[1 1]和填充“相同” 6“gn2Branch1”组标准化组归一化7“添加”添加逐元素添加2个输入8'卷积reluCombined” RELU RELU 9 'FC' 完全连接10完全连接层10 'SM' 使用SoftMax SOFTMAX 11 'convBranch2' 卷积24分1×1的卷积与步幅[1 1]和填充[0 0 0 0] 12 'gnBranch2' 组规范化集团正常化
分析了网络。控件中需要输入的层的顺序相同，提供示例输入层财产的dlnetwork。必须为所有网络输入提供示例输入，包括连接到输入层的输入。
analyzeNetwork（dlnet，exampleInput，exampleConvBranch2）
输入参数
您还可以从以下列表中选择网站：
