层
网络层用于深度学习
描述
定义用于深度学习的神经网络架构的层。
创建
获取MATLAB中的深度学习层列表®,请参阅深度学习层列表．为了指定所有层按顺序连接的神经网络的体系结构，直接创建一个层数组。要指定层可以有多个输入或输出的网络体系结构，请使用LayerGraph对象。
或者，你也可以从Caffe, Keras和ONNX导入图层importCaffeLayers，importKerasLayers,importONNXLayers分别。
若要了解如何创建自己的自定义层，请参见定义自定义深度学习层．
对象的功能
trainNetwork |
训练深度学习神经网络 |
例子
构建网络架构
定义用于分类的卷积神经网络架构，包括一个卷积层、一个ReLU层和一个全连接层。
层= [.．.imageInputLayer([28 28 3]) convolution2dLayer([5 5]，10) reluLayer fullyConnectedLayer(10) softmaxLayer classificationLayer]
2 "二维卷积10个5x5卷积与跨步[1 1]和填充[0 0 0 0 0]3 " ReLU ReLU 4 "全连接10全连接层5 " Softmax Softmax 6 "分类输出crossentropyex
层是一个层对象。
或者，您可以单独创建这些层，然后将它们连接起来。
input = imageInputLayer([28 28 3]);conv = convolution2dLayer([5 5]，10);relu = reluLayer;fc = fullyConnectedLayer(10);sm = softmaxLayer;co = classificationLayer;层= [.．.输入conv relu fc sm co]
2 "二维卷积10个5x5卷积与跨步[1 1]和填充[0 0 0 0 0]3 " ReLU ReLU 4 "全连接10全连接层5 " Softmax Softmax 6 "分类输出crossentropyex
访问图层数组中的图层和属性
定义用于分类的卷积神经网络架构，包括一个卷积层、一个ReLU层和一个全连接层。
层= [.．.imageInputLayer([28 28 3]) convolution2dLayer([5 5]，10) reluLayer fullyConnectedLayer(10) softmaxLayer classificationLayer];
通过选择第一个图层显示图像输入层。
层(1)
ans = ImageInputLayer with properties: Name: " InputSize: [28 28 3] SplitComplexInputs: 0 Hyperparameters DataAugmentation: 'none'归一化:'zerocenter' NormalizationDimension: 'auto' Mean: []
查看图像输入层的输入大小。
层(1)。InputSize
ans =1×328 28 3
显示卷积层的步幅。
层(2)。步
ans =1×21
访问全连接层的偏置学习率因子。
层(4)。BiasLearnRateFactor
Ans = 1
创建简单的DAG网络
为深度学习创建一个简单的有向无环图(DAG)网络。训练网络对数字图像进行分类。本例中的简单网络包括:
一种主分支，层按顺序连接。
一个快捷方式连接包含单个1乘1卷积层。快捷连接使参数梯度更容易地从输出层流向网络的早期层。
创建网络的主要分支作为层数组。加法层对多个输入元素进行相加。指定添加层要求和的输入数量。为了便于以后添加连接，请为第一个ReLU层和添加层指定名称。
图层= [imageInputLayer([28 28 1])卷积2dlayer (5,16，“填充”，“相同”reluLayer()“名字”，“relu_1”32岁的)convolution2dLayer (3“填充”，“相同”，“步”，2)卷积2dlayer (3,32，“填充”，“相同”(2)“名字”，“添加”) averagePooling2dLayer (2“步”，2) fullyConnectedLayer(10) softmaxLayer classificationLayer];
从图层数组创建一个图层图。layerGraph连接所有的层层按顺序。绘制层图。
lgraph = layerGraph(图层);图绘制(lgraph)
创建1 × 1卷积层，并将其添加到图层图中。指定卷积滤波器的数量和步幅，使激活大小与第三个ReLU层的激活大小匹配。这样的安排使得添加层能够添加第三个ReLU层和1 × 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，“步”2,“名字”，“skipConv”）;lgraph = addLayers(lgraph,skipConv);图绘制(lgraph)
创建快捷连接“relu_1”图层到“添加”层。因为您在创建加法层时指定了2作为输入的数量，所以该层有两个名为“三机”而且“in2”．第三个ReLU层已经连接到“三机”输入。连接“relu_1”图层到“skipConv”图层和“skipConv”图层到“in2”的输入“添加”层。加法层现在将第三个ReLU层和“skipConv”层。要检查各层是否正确连接，请绘制层图。
lgraph = connectLayers(“relu_1”，“skipConv”）;lgraph = connectLayers(“skipConv”，“添加/ in2”）;图绘制(lgraph);
加载训练和验证数据，这些数据由28 × 28灰度数字图像组成。
[XTrain,YTrain] = digitTrain4DArrayData;[XValidation,YValidation] = digitTest4DArrayData;
指定培训选项并对网络进行培训。trainNetwork每次使用验证数据验证网络ValidationFrequency迭代。
选项= trainingOptions(“个”，.．.“MaxEpochs”8.．.“洗牌”，“every-epoch”，.．.“ValidationData”{XValidation, YValidation},.．.“ValidationFrequency”30岁的.．.“详细”假的,.．.“阴谋”，“训练进步”）;net = trainNetwork(XTrain,YTrain,lgraph,options);
显示训练后网络的属性。网络是一个DAGNetwork对象。
网
net = DAGNetwork with properties: 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。这个网络非常准确。
ypredict = classification (net,XValidation);accuracy = mean(yexpected == YValidation)
准确度= 0.9936
版本历史
在R2016a中引入
您也可以从以下列表中选择一个网站: