分层图
用于深度学习的网络层图
描述
层图指定了具有更复杂图结构的深度学习网络的体系结构，其中层可以具有来自多个层的输入和到多个层的输出。具有这种结构的网络称为有向无环图（DAG）网络。创建一个分层图对象，您可以使用对象函数绘制图形，并通过添加、删除、连接和断开图层对其进行修改。要训练网络，请将图层图用作列车网络作用
创造
描述
输入参数
性质
例子
向图层图添加图层
创建空图层图和图层数组。将图层添加到图层图并绘制该图。添加层按顺序连接层。
lgraph=layerGraph；layers=[imageInputLayer（[32 3]，“姓名”,“输入”)卷积2层（3,16，“填充”,“一样”,“姓名”,“conv_1”)批处理规范化层(“姓名”,‘BN_1’)雷卢耶(“姓名”,“relu_1”)]; lgraph=添加层（lgraph，层）；图形绘图（lgraph）
从图层数组创建图层图
创建一个层数组。
[imageInputLayer([28 28 1]，])，“姓名”,“输入”)卷积2层（3,16，“填充”,“一样”,“姓名”,“conv_1”)批处理规范化层(“姓名”,‘BN_1’)雷卢耶(“姓名”,“relu_1”)];
从图层阵列创建图层图。分层图连接中的所有层层按顺序绘制图层图。
lgraph=层图（层）；图形绘图（lgraph）
DAG网络层图的提取
加载一个预训练的挤压网络。你可以使用这个训练过的网络进行分类和预测。
净=挤压净；
要修改网络结构，请首先使用提取DAG网络的结构分层图.然后可以使用的对象函数分层图修改网络架构。
lgraph=图层Graph（净）
LGRAPHE=LayerGraph，属性：Layers:[68x1 nnet.cnn.layer.layer]连接：[75x2表格]输入名称：{'data'}输出名称：{'ClassificationLayer_predictions'}
创建简单的DAG网络
创建用于深度学习的简单有向无环图（DAG）网络。训练网络对数字图像进行分类。本例中的简单网络包括：
各层按顺序连接的主要分支。
A.快捷连接包含单个1乘1卷积层的。快捷连接使参数渐变更容易从输出层流向网络的早期层。
将网络的主分支创建为层数组。加法层按元素对多个输入求和。指定要求和的加法层的输入数。若要稍后轻松添加连接，请指定第一个ReLU层和加法层的名称。
层=[imageInputLayer（[28 1]）卷积2层（5,16，“填充”,“一样”)batchNormalizationLayer reluLayer(“姓名”,“relu_1”)卷积2层（3,32，“填充”,“一样”,“大步走”，2）batchNormalizationLayer reluLayer卷积层（3,32，“填充”,“一样”)batchNormalizationLayer reluLayer附加层（2，“姓名”,“添加”)平均池2层（2，“大步走”，2）全连接层（10）softmaxLayer分类层]；
从图层阵列创建图层图。分层图连接中的所有层层按顺序绘制图层图。
lgraph=层图（层）；图形绘图（lgraph）
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，以便激活大小与第三个ReLU层的激活大小匹配。该布置使得加法层能够添加第三ReLU层和1×1卷积层的输出。要检查图层是否在图形中，请绘制图层图形。
skipConv=卷积2dlayer（1,32，“大步走”2.“姓名”,“skipConv”)；lgraph=addLayers（lgraph，skipConv）；图形绘制（lgraph）
从中创建快捷方式连接“relu_1”分层“添加”层。由于在创建添加层时指定了两个作为输入数，因此该层有两个名为'在1'和“in2”。第三个ReLU层已连接到'在1'输入。连接“relu_1”分层“skipConv”层与层“skipConv”分层“in2”报告的输入“添加”层。加法层现在将第三个ReLU层的输出和“skipConv”图层。要检查图层是否正确连接，请绘制图层图。
lgraph=连接层（lgraph，“relu_1”,“skipConv”); lgraph=连接层（lgraph，“skipConv”,“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]=数字列车4DRARAYDATA；[XValidation，YValidation]=数字4阵列数据；
指定培训选项并培训网络。列车网络每年使用验证数据验证网络验证频率迭代。
选项=培训选项(“sgdm”,...“MaxEpochs”8....“洗牌”,“every-epoch”,...“验证数据”，{XValidation，YValidation}，...“ValidationFrequency”30岁的...“冗长”错误的...“情节”,“培训进度”); net=列车网络（XTrain、YTrain、lgraph、选项）；
显示经过训练的网络的属性。该网络是达格网络对象。
网
net=DAG网络，具有以下属性：层：[16x1 nnet.cnn.layer.layer]连接：[16x2表]输入名称：{'imageinput'}输出名称：{'classoutput'}
对验证图像进行分类并计算精度。网络非常准确。
YPredicted=分类（净、XValidation）；准确度=平均值（预测=验证）
精度=0.9934
另见
列车网络|达格网络|添加层|搬运工|connectLayers|断开层|情节|水壶|resnet18|resnet50|resnet101|inceptionresnetv2|挤压网|附加层|替换层|深度连接层|接收v3|分析网络|assembleNetwork|深度网络设计器
您还可以从以下列表中选择网站：
