主要内容

additionLayer

添加层

全部展开页面

描述

加法层以元素的方式增加来自多个神经网络层的输入。

在创建图层时指定输入的数量。层的输入有名字“三机”、“in2’,……,“酒店”,在那里N为输入的个数。当通过使用连接或断开层时使用输入名称connectLayers或disconnectLayers．添加层的所有输入必须具有相同的维度。

创建

语法

层= additionLayer (numInputs)
层= additionLayer (numInputs,“名字”,名称)

描述

例子

层= additionLayer (numInputs）创建一个添加层，添加numInputs输入element-wise。该函数还设置NumInputs财产。

例子

层= additionLayer (numInputs“名称”,的名字）还设置了的名字财产。要创建包含附加层的网络，必须指定层名。

属性

全部展开

层的输入数，指定为正整数。

输入有名称“三机”、“in2’,……,“酒店”,在那里N=NumInputs．例如,如果NumInputs等于3，那么输入就有名称“三机”、“in2”,“in3”．当通过使用连接或断开层时使用输入名称connectLayers或disconnectLayers．

层名，指定为字符向量或字符串标量。若要在层图中包含此层，必须指定层名称。

数据类型:字符|字符串

输入名称，指定为{“三机”,“in2”,…,“客栈”},在那里N为该层的输入数。

数据类型:细胞

层输出的数量。这一层只有一个输出。

数据类型:双

输出层的名称。这一层只有一个输出。

数据类型:细胞

例子

全部折叠

打开生活的脚本

创建一个添加层，有两个输入和名称“add_1”．

添加= additionLayer (2“名字”，“add_1”）
add = AdditionLayer with properties: Name: 'add_1' NumInputs: 2 InputNames: {'in1' 'in2'}

创建两个ReLU层，并将它们连接到添加层。加法层将ReLU层的输出相加。

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)

图中包含一个坐标轴。坐标轴包含一个graphplot类型的对象。

打开生活的脚本

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。这个例子中的简单网络包括:

  • 各层按顺序连接的一种主分支。

  • 一个快捷方式连接包含一个1乘1的卷积层。快捷连接使参数梯度更容易从输出层流向网络的早期层。

创建网络的主分支作为一个层阵列。加法层对多个输入元素进行求和。指定要求和的添加层的输入数量。所有层都必须有名称，且名称必须是唯一的。

[imageInputLayer([28 28 1]，])，“名字”，“输入”16) convolution2dLayer(5日,“填充”，“相同”，“名字”，“conv_1”) batchNormalizationLayer (“名字”，“BN_1”) reluLayer (“名字”，“relu_1”32岁的)convolution2dLayer (3“填充”，“相同”，“步”2,“名字”，“conv_2”) batchNormalizationLayer (“名字”，“BN_2”) reluLayer (“名字”，“relu_2”32岁的)convolution2dLayer (3“填充”，“相同”，“名字”，“conv_3”) batchNormalizationLayer (“名字”，“BN_3”) reluLayer (“名字”，“relu_3”) additionLayer (2“名字”，“添加”) averagePooling2dLayer (2“步”2,“名字”，“avpool”) fullyConnectedLayer (10“名字”，“俱乐部”) softmaxLayer (“名字”，“softmax”) classificationLayer (“名字”，“classOutput”));

从图层数组中创建一个图层图。layerGraph连接所有的层层按顺序。绘制图层图。

lgraph = layerGraph(层);图绘制(lgraph)

创建1乘1的卷积层，并将其添加到层图中。指定卷积过滤器的数量和步幅，以便激活大小与“relu_3”层。这种安排使添加层能够添加的输出“skipConv”和“relu_3”层。要检查层是否在图中，绘制层图。

32岁的skipConv = convolution2dLayer (1“步”2,“名字”，“skipConv”）;lgraph = addLayers (lgraph skipConv);图绘制(lgraph)

从。创建快捷连接“relu_1”层的“添加”层。因为您在创建添加层时指定了2作为添加层的输入数量，所以该层有两个名为“三机”和“in2”．的“relu_3”层已经连接到“三机”输入。连接“relu_1”层的“skipConv”层和“skipConv”层的“in2”输入的“添加”层。加法层现在对输出求和“relu_3”和“skipConv”层。要检查层是否连接正确，绘制层图。

lgraph = connectLayers (lgraph,“relu_1”，“skipConv”）;lgraph = connectLayers (lgraph,“skipConv”，“添加/ in2”）;图绘制(lgraph);

加载训练和验证数据，其中包含28 × 28的数字灰度图像。

[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);

显示训练网络的属性。网络是一个DAGNetwork对象。

净
net = DAGNetwork with properties: Layers: [16×1 net.cnn.layer. layer] Connections: [16×2 table] InputNames: {'input'} OutputNames: {'classOutput'}

对验证图像进行分类并计算精度。这个网络非常准确。

YPredicted =分类(净,XValidation);精度=平均值(YPredicted == YValidation)
精度= 0.9930

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

GPU的代码生成
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。

另请参阅

||

主题

介绍了R2017b

深度学习工具箱文档

万博1manbetx

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书