connectLayers
连接或网络层在层图
描述
连接源层lgraphUpdated
= connectLayers (lgraph
,年代
,d
)年代
到目标层d
在层图lgraph
。更新层图,lgraphUpdated
,包含相同的层lgraph
和包括新连接。
连接源层netUpdated
= connectLayers (净
,年代
,d
)年代
到目标层d
在dlnetwork
对象净
。更新后的网络,netUpdated
,包含相同的层净
和包括新连接。
例子
创建和连接层
创建一个与两个输入层和这个名字“add_1”
。
添加= additionLayer (2“名字”,“add_1”)
添加= AdditionLayer属性:名称:“add_1”NumInputs: 2 InputNames:{“三机”“in2”}
创建两个ReLU层和连接他们的层。从ReLU添加层和输出层。
relu_1 = reluLayer (“名字”,“relu_1”);relu_2 = reluLayer (“名字”,“relu_2”);lgraph = layerGraph;lgraph = addLayers (lgraph relu_1);lgraph = addLayers (lgraph relu_2);lgraph = addLayers (lgraph,添加);lgraph = connectLayers (lgraph,“relu_1”,“add_1 /三机一体”);lgraph = connectLayers (lgraph,“relu_2”,“add_1 / in2”);情节(lgraph)
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
输入参数
lgraph
- - - - - -层图
LayerGraph
对象
层图,指定为一个LayerGraph
对象。创建一个层图,使用layerGraph
。
净
- - - - - -神经网络
dlnetwork
对象
神经网络作为一个指定dlnetwork
对象。
年代
- - - - - -连接源
特征向量|字符串标量
连接源,指定为一个特征向量或字符串标量。
如果源层只有一个输出,然后
年代
层的名称。如果源层具有多个输出
年代
是图层名称后面的字符/和输出层的名称:“layerName / outputName”
。
例子:“conv1”
例子:“mpool /指数”
d
- - - - - -连接目的地
特征向量|字符串标量
连接目的地,指定为一个特征向量或字符串标量。
如果目的层只有一个输入,然后
d
层的名称。如果有多个输入,目标层
d
是图层名称后面的字符/和图层的名称输入:“layerName / inputName”
。
例子:“俱乐部”
例子:“addlayer1 / in2”
输出参数
lgraphUpdated
——更新层图
LayerGraph
对象
更新层图,作为一个返回LayerGraph
对象。
版本历史
介绍了R2017b
打开举例
你们possedez一个版本modifiee de cet(中央东部东京)为例。Souhaitez-vous打开cet(中央东部东京)为例用vos修改吗?
对MATLAB
你们有派对在联合国留置权,对应这个对MATLAB:
倒实行la对saisissez-la在fenetre德对MATLAB。Les navigateurs web不sup万博1manbetxportent Les MATLAB命令。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。