analyzeNetwork
分析深度学习网络架构
描述
例子
分析训练的网络
加载预训练GoogLeNet卷积神经网络。
净= googlenet
净= DAGNetwork与属性：层：[144×1 nnet.cnn.layer.Layer]连接：[170×2表]
分析网络。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。
调查使用阴谋左侧的网络架构。选择在情节的一层。所选择的层中的情节，并在层表中高亮显示。
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。
在网络中选择一个更深的层。请注意，在更深的层的激活是在通道尺寸（最后一维）在空间维度（前两个维度）更小和更大。采用这种结构使得能够卷积神经网络，逐渐增加，同时减小的空间分辨率提取的图像的数量的特征。
通过点击在层表的右上角的箭头示出了各个层可学习参数的总数，并选择总Learnables。要排序的列值的层表，将鼠标悬停在列标题，然后单击箭头出现。例如，可以确定哪个层由可学习参数的总数排序所述层包含最参数。
analyzeNetwork（净）
在网络架构修正错误
创建快捷方式连接的简单卷积网络。创建网络作为层的阵列的主支路和创建从层阵列的层图。layerGraph连接在所有层层顺序。
层= [imageInputLayer（[32 32 3]，'名称'，“输入”）convolution2dLayer（5,16，'填充'，'相同'，'名称'，'conv_1'）reluLayer（'名称'，'relu_1'）convolution2dLayer（3,16，'填充'，'相同'，“跨越论”，2，'名称'，'conv_2'）reluLayer（'名称'，'relu_2'）additionLayer（2，'名称'，'ADD1'）convolution2dLayer（3,16，'填充'，'相同'，“跨越论”，2，'名称'，'conv_3'）reluLayer（'名称'，'relu_3'）additionLayer（3，'名称'，'ADD2'）fullyConnectedLayer（10，'名称'，'FC'）classificationLayer（'名称'，“输出”）];lgraph = layerGraph（层）;
创建快捷方式连接。一个快捷方式连接的包含单个1×1的卷积层skipConv。
skipConv = convolution2dLayer（1,16，“跨越论”，2，'名称'，'skipConv'）;lgraph = addLayers（lgraph，skipConv）;lgraph = connectLayers（lgraph，'relu_1'，'ADD1 /英寸2'）;lgraph = connectLayers（lgraph，'ADD1'，'ADD2 /英寸2'）;
分析网络架构。analyzeNetwork发现网络中的四大误区。
analyzeNetwork（lgraph）
调查并在网络中修复错误。在这个例子中，以下问题导致的错误：
甲SOFTMAX层，其输出类概率，必须先于分类层。要解决在错误
产量分类层，分类层之前添加SOFTMAX层。该
skipConv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层。要修正这个错误，连接ADD1至skipConv和skipConv至ADD2。该
ADD2指定层具有三个输入端，但是仅层具有两个输入。修复错误，指定为输入的数量2。全部投入到一个另外层必须具有相同的大小，但
ADD1层具有不同大小的两个输入。由于conv_2层具有“跨越论”的2值，该层由下采样的两个因素是前两个维度的激活（空间尺寸）。要调整从输入relu2层，使得它的尺寸与从输入相同relu1，通过设置除去下采样“跨越论”值conv_2层1。
应用这些修改从这个例子开始的层结构图，并创建一个新的层图。
层= [imageInputLayer（[32 32 3]，'名称'，“输入”）convolution2dLayer（5,16，'填充'，'相同'，'名称'，'conv_1'）reluLayer（'名称'，'relu_1'）convolution2dLayer（3,16，'填充'，'相同'，“跨越论”1，'名称'，'conv_2'）reluLayer（'名称'，'relu_2'）additionLayer（2，'名称'，'ADD1'）convolution2dLayer（3,16，'填充'，'相同'，“跨越论”，2，'名称'，'conv_3'）reluLayer（'名称'，'relu_3'）additionLayer（2，'名称'，'ADD2'）fullyConnectedLayer（10，'名称'，'FC'）softmaxLayer（'名称'，'SOFTMAX'）;classificationLayer（'名称'，“输出”）];lgraph = layerGraph（层）;skipConv = convolution2dLayer（1,16，“跨越论”，2，'名称'，'skipConv'）;lgraph = addLayers（lgraph，skipConv）;lgraph = connectLayers（lgraph，'relu_1'，'ADD1 /英寸2'）;lgraph = connectLayers（lgraph，'ADD1'，'skipConv'）;lgraph = connectLayers（lgraph，'skipConv'，'ADD2 /英寸2'）;
分析新架构。新的网络不包含任何错误，并准备进行培训。
analyzeNetwork（lgraph）
输入参数
介绍了在R2018a
您还可以选择从下面的列表中的网站：
