层
深度学习的网络层
描述
定义用于深度学习的神经网络体系结构的层。
创建
对于Matlab中的深度学习层列表®， 看深度学习层名单. 要指定所有层顺序连接的神经网络体系结构，请直接创建层阵列。要指定层可以具有多个输入或输出的网络体系结构，请使用分层图对象
或者，可以使用从Caffe、Keras和ONNX导入图层ImportCaffelayers.那进口卡拉斯层，及重要人物分别。
要了解如何创建自己的自定义图层，请参见定义自定义深度学习层。
对象功能
Trainnetwork. |
训练深度学习神经网络 |
例子
构建网络体系结构
定义用于分类的卷积神经网络结构，包括一个卷积层、一个ReLU层和一个完全连接层。
层= [......imageInputLayer（[28 28 3]）卷积2dLayer（[5]，10）reluLayer fullyConnectedLayer（10）softmaxLayer classificationLayer]
图层= 6x1层阵列，带有图层：1''图像输入28x28x3图像与'zerocenter'归一化2''卷积10 5x5卷绕卷曲[1 1]和填充[0 0 0 0] 3''Relu Relu 4''完全连接10个完全连接的第5层'Softmax Softmax 6''分类输出Crossentropyex
层数是A.层对象
或者，可以单独创建图层，然后将其连接起来。
输入= imageInputLayer（[28 28 3]）;conv = Convolution2Dlayer（[5 5]，10）;relu = uruulayer;FC =全连接列（10）;sm = softmaxlayer;co =分类层;层= [......输入CONC Relu FC SM CO]
图层= 6x1层阵列，带有图层：1''图像输入28x28x3图像与'zerocenter'归一化2''卷积10 5x5卷绕卷曲[1 1]和填充[0 0 0 0] 3''Relu Relu 4''完全连接10个完全连接的第5层'Softmax Softmax 6''分类输出Crossentropyex
访问层阵列中的层和属性
定义用于分类的卷积神经网络结构，包括一个卷积层、一个ReLU层和一个完全连接层。
层= [......imageInputLayer（[28 28 3]）卷积2dlayer（[5 5]，10）ultiulayer全连接列（10）SoftmaxLayer分类层];
通过选择第一层显示图像输入层。
层（1）
ans=ImageInputLayer，属性：名称：''InputSize:[28 28 3]超参数数据增强：'none'规范化：'zerocenter'规范化维度：'auto'平均值：[]
查看图像输入层的输入大小。
图层（1）.InputSize
ans =.1×3.28 28 3.
显示卷积层的步幅。
层（2）.stride
ans =.1×21 1
访问完全连接图层的偏置速率因子。
图层（4）.BiasLearnRateFactor
ans = 1
创建简单的DAG网络
为深度学习创建一个简单的有向非循环图（DAG）网络。培训网络以分类数字图像。此示例中的简单网络包括：
主要分支，层依次连接。
一种快捷连接包含单个1×1卷积层。快捷连接使参数渐变使得从输出层更容易流到网络的早期层。
将网络的主分支创建为层数组。添加层和多个输入元素明智。指定添加图层的输入数。所有图层必须具有名称，所有名称必须是唯一的。
层=[imageInputLayer（[28 1]，'名称'那'输入'）卷积2dlayer（5,16，'填充'那“一样”那'名称'那'conv_1'batchnormalizationlayer（'名称'那‘BN_1’）剥离（'名称'那'relu_1'）卷积2dlayer（3,32，'填充'那“一样”那'走吧'2.'名称'那'conv_2'batchnormalizationlayer（'名称'那'bn_2'）剥离（'名称'那'relu_2'）卷积2dlayer（3,32，'填充'那“一样”那'名称'那“conv_3”batchnormalizationlayer（'名称'那‘BN_3’）剥离（'名称'那'relu_3')附加层（2，'名称'那'添加'）普通Pooling2dlayer（2，'走吧'2.'名称'那'avpool')完全连接层（10，'名称'那“fc”）softmaxlayer（'名称'那'softmax')分类层('名称'那'ClassOutput')];
从图层阵列创建图层图。分层图连接所有图层层数顺序地。绘制图层图。
Lgraph = LayerGraph（层）;图绘图（LGROP）
创建1×1卷积层并将其添加到层图中。指定卷积过滤器的数量和步长，以便激活大小与'relu_3'层。这种安排使添加层能够添加输出'skipconv'和'relu_3'层。要检查图层是否在图形中，请绘制图层图。
Skipconv = Convolution2Dlayer（1,32，'走吧'2.'名称'那'skipconv'）;Lgraph = Addlayers（LAPHAGH，SKIPCONV）;图绘图（LGROP）
从中创建快捷方式连接'relu_1'层到了'添加'层。因为您指定了两个作为添加层的输入的数量时，所以该图层有两个名为的输入'in1'和'in2'. 这个'relu_3'层已经连接到'in1'输入。连接'relu_1'层到了'skipconv'层和'skipconv'层到了'in2'输入的输入'添加'层。加法层现在对'relu_3'和'skipconv'层。要检查图层是否正确连接，请绘制图层图。
Lgraph = ConnectLayers（LAPHAGE，'relu_1'那'skipconv'）;Lgraph = ConnectLayers（LAPHAGE，'skipconv'那“添加/in2”); 图形图（lgraph）；
加载训练和验证数据，该数据由28×28的数字灰度图像组成。
[xtrain，ytrain] = DigitTrain4darraydata;[xvalidation，yvalidation] = dimittest4darraydata;
指定培训选项并培训网络。Trainnetwork.每年使用验证数据验证网络验证频繁迭代。
选项=培训选项(“sgdm”那......'maxepochs'，8，......'洗牌'那“每个时代”那......“验证数据”，{XValidation，YValidation}，......“验证频率”,30,......“冗长”，错，......'plots'那'培训 - 进步'); net=列车网络（XTrain、YTrain、lgraph、选项）；
显示经过训练的网络的属性。网络是一个Dagnetwork.对象
网
net =具有属性的Dagnetwork：图层：[16×1 nnet.cnn.layer.layer]连接：[16×2表]输入名称：{'输入'} OutputNames：{'classOutput'}
分类验证图像并计算准确性。网络非常准确。
YPredicted=分类（净、XValidation）；准确度=平均值（预测=验证）
精度=0.9930
也可以看看
您还可以从以下列表中选择网站：
