DAGNetwork
有向无环图(DAG)网络深度学习
描述
DAG网络是深度学习的神经网络层安排的有向无环图。DAG网络可以有一个更复杂的结构,在这种结构中,多个层从多个输入层和输出层。
创建
有几种方法可以创建一个DAGNetwork对象:
加载一个pretrained网络等
squeezenet,googlenet,resnet50,resnet101,或inceptionv3。例如,看到的负载SqueezeNet网络。pretrained网络的更多信息,请参阅Pretrained深层神经网络。火车或调整网络使用
trainNetwork。例如,看到的火车深入学习网络对新图像进行分类。从TensorFlow进口pretrained网络™-Keras, TensorFlow 2,咖啡,或者ONNX™(打开神经网络交换)模型格式。
Keras模型,使用
importKerasNetwork。例如,看到的导入和情节Keras网络。TensorFlow模型保存的模型格式,使用
importTensorFlowNetwork。例如,看到的进口TensorFlow网络DAGNetwork对图像进行分类。一个咖啡模型,使用
importCaffeNetwork。例如,看到的进口咖啡网络。一个ONNX模型,使用
importONNXNetwork。例如,看到的进口ONNX DAGNetwork网络。
从pretrained组装深入学习网络层使用
assembleNetwork函数。
请注意
了解其他pretrained网络,看到Pretrained深层神经网络。
属性
例子
创建简单的DAG网络
创建一个简单的有向无环图(DAG)网络深度学习。列车网络分类的图像数字。本例中的简单网络包括:
按顺序的主干层连接。
一个快捷方式连接包含一个1×1卷积层。快捷的连接使参数梯度流更容易从输出层的早期层网络。
创建的主要分支网络层的数组。添加层和多个输入element-wise。指定输入添加层的数量总和。轻松添加连接后,指定名称第一ReLU层以及层。
层= [imageInputLayer ([28 28 1]) convolution2dLayer(5日16日“填充”,“相同”)batchNormalizationLayer reluLayer (“名字”,“relu_1”32岁的)convolution2dLayer (3“填充”,“相同”,“步”,2)batchNormalizationLayer reluLayer convolution2dLayer(3, 32岁“填充”,“相同”)batchNormalizationLayer reluLayer additionLayer (2“名字”,“添加”)averagePooling2dLayer (2“步”,2)fullyConnectedLayer (10) softmaxLayer classificationLayer];
创建一个层图从数组中。layerGraph连接所有的层层按顺序。绘制层图。
lgraph = layerGraph(层);图绘制(lgraph)
创建1×1卷积层,并将其添加到层图。指定数量的卷积过滤器和步伐,以便激活大小匹配的激活大小ReLU第三层。这样的安排使添加层添加第三ReLU层和1×1的输出卷积层。检查层图,绘制层图。
32岁的skipConv = convolution2dLayer (1“步”2,“名字”,“skipConv”);lgraph = addLayers (lgraph skipConv);图绘制(lgraph)
创建快捷方式连接“relu_1”层的“添加”层。因为你指定的两个输入的数量增加层创建它时,有两个输入层“三机”和“in2”。已经连接到第三ReLU层“三机”输入。连接“relu_1”层的“skipConv”层和“skipConv”层的“in2”输入的“添加”层。添加层现在资金第三ReLU层和输出“skipConv”层。检查层连接正确,绘制层图。
lgraph = connectLayers (lgraph,“relu_1”,“skipConv”);lgraph = connectLayers (lgraph,“skipConv”,“添加/ in2”);图绘制(lgraph);
负荷训练和验证数据,包括28-by-28灰度图像的数字。
[XTrain, YTrain] = digitTrain4DArrayData;[XValidation, YValidation] = digitTest4DArrayData;
指定培训方案和培训网络。trainNetwork验证网络使用验证数据ValidationFrequency迭代。
选择= 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”);网= trainNetwork (XTrain YTrain、lgraph选项);
显示的属性训练网络。网络是一个DAGNetwork对象。
净
网= DAGNetwork属性:层:x1 nnet.cnn.layer.Layer[16]连接:[16 x2表]InputNames: {“imageinput”} OutputNames: {“classoutput”}
分类验证图像和计算精度。网络是非常准确的。
YPredicted =分类(净,XValidation);精度=意味着(YPredicted = = YValidation)
精度= 0.9934
扩展功能
另请参阅
trainNetwork|trainingOptions|importKerasNetwork|layerGraph|分类|预测|情节|googlenet|resnet18|resnet50|resnet101|inceptionv3|inceptionresnetv2|squeezenet|SeriesNetwork|analyzeNetwork|assembleNetwork
