主要内容

DAGNetwork

有向无环图(DAG)网络用于深度学习

展开全部页面

描述

DAG网络是一种用于深度学习的神经网络，其层排列为有向无环图。DAG网络可以具有更复杂的体系结构，其中各层有来自多层的输入和到多层的输出。

创建

有几种方法可以创建DAGNetwork对象:

请注意

要了解其他预训练的网络，请参见预训练的深度神经网络．

属性

全部展开

此属性是只读的。

网络层，指定为a层数组中。

此属性是只读的。

层连接，指定为具有两列的表。

每个表行表示层图中的一个连接。第一列，源，指定每个连接的源。第二列，目的地，指定每个连接的目的地。连接源和目的地要么是层名，要么具有表单“layerName / IOName”,在那里“IOName”层输入或输出的名称。

数据类型:表格

此属性是只读的。

网络输入层名称，指定为字符向量的单元格数组。

数据类型:细胞

网络输出层名称，指定为字符向量的单元格数组。

数据类型:细胞

对象的功能

激活 计算深度学习网络层激活
分类 使用经过训练的深度学习神经网络对数据进行分类
预测 使用训练过的深度学习神经网络预测反应
情节 绘制神经网络层图

例子

全部折叠

打开实时脚本

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)

图中包含一个轴对象。axis对象包含一个graphplot类型的对象。

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)

图中包含一个轴对象。axis对象包含一个graphplot类型的对象。

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);

图中包含一个轴对象。axis对象包含一个graphplot类型的对象。

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);

图Training Progress (01-Sep-2021 08:31:32)包含2个axis对象和另一个类型为uigridlayout的对象。坐标轴对象1包含15个类型为patch、text、line的对象。坐标轴对象2包含15个类型为patch、text、line的对象。

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= 0.9934

扩展功能

另请参阅

||||||||||||||||

主题

在R2017b中引入

深度学习工具箱文档

万博1manbetx

用MATLAB介绍深度学习

用MATLAB介绍深度学习

下载电子书