主要内容

汇编

从佩带的层组装深度学习网络

页面上倒塌

句法

AdderBlynet = AssembLenetwork（图层）

描述

汇编没有培训，从层中创建深度学习网络。

用汇编有关以下任务：

  • 将图层阵列或图层图转换为准备预测的网络。

  • 从导入的图层组装网络。

  • 修改培训网络的权重。

从头划船训练网络，使用Trainnetwork.。

例子

组装= assemblenetwork（层数）组装图层阵列或图层图层数进入深度学习网络，准备用于预测。

例子

全部收缩

此示例使用：

打开直播脚本

将图层从佩带的keras网络导入，用自定义图层替换不支持的图层，并将图层组装到准备预测的网络中。万博1manbetx

进口Keras网络

从KERAS网络模型导入图层。网络in.'digitsdagnetwithnoise.h5'分类数字图像。

filename =.'digitsdagnetwithnoise.h5';lgraph = importKerasLayers（文件名，'进口重量'，真的）;
警告：无法导入某些keras图层，因为深度学习工具箱不支持它们。万博1manbetx他们已被占位符层所取代。要查找这些图层，请在返回的对象上调用FindPlaceHolderLayers。

Keras网络包含深度学习工具箱™不支持的一些图层。万博1manbetx这importKeraslayers.函数显示警告并用占位符图层替换不支持的图层。万博1manbetx

更换占位符层

要替换占位符，请先识别要替换的图层的名称。查找占位符层使用FindPlaceHolderLayers.并显示他们的Keras配置。

PlaceHolderLayers = FindPlaceHolderLayers（LGraph）;placeholderlayers.kerasconfiguration.
ans =.结构与字段：培训：1名称：'Gaussian_Noise_1'STDDEV：1.5000
ans =.结构与字段：培训：1名称：'Gaussian_Noise_2'STDDev：0.7000

通过保存文件来定义自定义高斯噪声层Gaussiannoiselayer.m.在当前文件夹中。然后，创建具有与导入的Keras层相同的配置的高斯噪声层。

gnlayer1 =高斯登机会（1.5，'new_gaussian_noise_1'）;Gnlayer2 =高斯登机会（0.7，'new_gaussian_noise_2'）;

使用自定义图层替换占位符层替换剂。

Lgraph =替换剂（LGROPE，'gaussian_noise_1'，gnlayer1）;Lgraph =替换剂（LGROPE，'gaussian_noise_2'，gnlayer2）;

指定类名称

导入的分类层不包含类，因此必须在组装网络之前指定这些。如果未指定类，则软件会自动将类设置为1那2，......，N， 在哪里N是课程的数量。

分类层具有名称'classificationlayer_activation_1'。将课程设置为0.那1，......，9.，然后用新的将导入的分类层替换为。

Clayer = Lapraph.Layers（END）;clayer.classes = string（0：9）;Lgraph =替换剂（LGROPE，'classificationlayer_activation_1'，粘土）;

组装网络

使用层图汇编。该函数返回一个Dagnetwork.准备用于预测的对象。

net = assemblenetwork（lgraph）
net =具有属性的dagnetwork：图层：[15x1 nnet.cnn.layer.layer]连接：[15x2表]输入名称：{'input_1'} OutputNames：{'classificationLayer_activation_1'}

输入参数

全部收缩

网络图层，指定为a层阵列或A.分层图目的。

要使用顺序连接的所有图层创建网络，可以使用a层数组作为输入参数。在这种情况下，返回的网络是一个系列网络目的。

一条定向的非循环图（DAG）网络具有复杂的结构，其中层可以具有多个输入和输出。要创建DAG网络，请指定网络架构作为一个分层图对象，然后使用该层图作为输入参数汇编。

有关内置图层列表，请参阅深度学习层名单。

输出参数

全部收缩

组装网络准备好预测，作为一个返回系列网络对象或A.Dagnetwork.目的。返回的网络取决于层数输入参数：

  • 如果层数是A.层然后阵列组装是A.系列网络目的。

  • 如果层数是A.分层图对象，然后组装是A.Dagnetwork.目的。

也可以看看

||||

话题

在R2018B中介绍

深度学习工具箱文档

万博1manbetx

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书