analyzeNetwork
分析深度学习网络架构
语法
描述
使用analyzeNetwork要可视化并理解网络的体系结构，请检查您已经正确定义了体系结构，并在培训之前检测问题。的问题,analyzeNetwork检测包括缺失或未连接的层、错误大小的层输入、错误数量的层输入和无效的图结构。
提示
交互式地可视化、分析和训练一个网络，使用deepNetworkDesigner(净)．有关更多信息，请参见深层网络设计师．
训练网络
网络层
analyzeNetwork (分析中指定的网络层层）层也可以检测错误和问题trainNetwork工作流。层可以是一个层数组或一个LayerGraph对象。该功能以交互式的方式显示网络架构，并提供有关网络层的详细信息。层信息包括层激活的数量和大小、可学习参数和状态参数。
analyzeNetwork (使用示例网络输入分析网络层层，dlX1,…,dlXn“TargetUsage”,“dlnetwork”)dlX1,…,dlXn．该软件通过网络传播示例输入，以确定层激活、可学习参数和状态参数的数量和大小。使用此语法可以分析具有一个或多个未连接到输入层的输入的网络。
dlnetwork对象
analyzeNetwork (分析了dlnet）dlnetwork对象用于自定义训练循环工作流。该功能以交互式的方式显示网络架构，并提供有关网络层的详细信息。层信息包括层激活的数量和大小、可学习参数和状态参数。
analyzeNetwork (分析了dlnet，dlX1,…,dlXn）dlnetwork对象使用示例网络输入dlX1,…,dlXn．该软件通过网络传播示例输入，以确定层激活、可学习参数和状态参数的数量和大小。使用此语法分析未初始化的dlnetwork它有一个或多个未连接到输入层的输入。
例子
分析培训网络
加载一个预先训练的GoogLeNet卷积神经网络。
网= googlenet
net = DAGNetwork with properties: Layers: [144×1 net.cnn.layer. layer] Connections: [170×2 table] InputNames: {'data'} OutputNames: {'output'}
分析了网络。analyzeNetwork显示网络架构的交互图和包含有关网络层信息的表。
使用左边的情节研究网络架构。在图中选择一个图层。选中的图层在绘图和图层表中突出显示。
在该表中，可以查看层属性、层类型、层激活的大小和可学习参数等层信息。一层的激活就是该层的输出。
在网络中选择一个更深的层。请注意，更深层次的激活在空间维度(前两个维度)中较小，在通道维度(最后一个维度)中较大。利用这种结构，卷积神经网络可以逐渐增加提取图像特征的数量，同时降低空间分辨率。
通过点击层表右上角的箭头并选择，显示每个层中可学习的参数的总数总可学的．若要按列值对层表排序，将鼠标悬停在列标题上并单击出现的箭头。例如，您可以根据可学习参数的总数对各层进行排序，从而确定哪一层包含的参数最多。
analyzeNetwork(净)
修复网络架构中的错误
创建一个简单的带有快捷连接的卷积网络。将网络的主分支创建为一个层数组，并从层数组创建一个层图。layerGraph连接所有的层层按顺序。
layers = [imageInputLayer([32 32 3])]“填充”，“相同”) reluLayer (“名字”，“relu_1”) convolution2dLayer(3, 16岁,“填充”，“相同”，“步”, 2) reluLayer additionLayer (2“名字”，“add1”) convolution2dLayer(3, 16岁,“填充”，“相同”，“步”, 2) reluLayer additionLayer (3“名字”，“add2”) fulllyconnectedlayer (10) softmaxLayer classificationLayer;lgraph = layerGraph(层);
创建快捷连接。其中一个快捷连接包含一个1乘1的卷积层skipConv．
skipConv = convolution2dLayer(1, 16岁,“步”2,“名字”，“skipConv”）;lgraph = addLayers (lgraph skipConv);lgraph = connectLayers (lgraph,“relu_1”，“add1 / in2”）;lgraph = connectLayers (lgraph,“add1”，“add2 / in2”）;
分析网络架构。analyzeNetwork查找网络中的四个错误。
analyzeNetwork (lgraph)
调查和修复网络中的错误。在本例中，以下问题导致错误:
的
skipConv层没有连接到网络的其余部分。它应该是快捷连接的一部分add1和add2层。要修复此错误，请连接add1来skipConv和skipConv来add2．的
add2层被指定有三个输入，但层只有两个输入。要修复错误，将输入的数量指定为2．添加层的所有输入必须具有相同的大小，但是
add1层有两个不同大小的输入。因为conv_2层有一个“步”值为2时，该层将在前两个维度(空间维度)中对激活进行因子2的采样。来调整输入的大小relu2层，使其具有与输入相同的大小relu1，通过设置下采样来去除下采样“步”的价值conv_2层为1。
将这些修改应用到这个例子开始的层图构造中，并创建一个新的层图。
layers = [imageInputLayer([32 32 3])]“填充”，“相同”) reluLayer (“名字”，“relu_1”) convolution2dLayer(3, 16岁,“填充”，“相同”，“步”1) reluLayer additionLayer (2“名字”，“add1”) convolution2dLayer(3, 16岁,“填充”，“相同”，“步”, 2) reluLayer additionLayer (2“名字”，“add2”) fulllyconnectedlayer (10) softmaxLayer classificationLayer;lgraph = layerGraph(层);skipConv = convolution2dLayer(1, 16岁,“步”2,“名字”，“skipConv”）;lgraph = addLayers (lgraph skipConv);lgraph = connectLayers (lgraph,“relu_1”，“add1 / in2”）;lgraph = connectLayers (lgraph,“add1”，“skipConv”）;lgraph = connectLayers (lgraph,“skipConv”，“add2 / in2”）;
分析新的架构。新的网络不包含任何错误，可以随时接受训练。
analyzeNetwork (lgraph)
分析自定义训练循环的层图
创建一个自定义训练循环的层图。对于自定义训练循环工作流，层图必须没有输出层。
[imageInputLayer([28 28 1]，])，“归一化”，“没有”，“名字”，“输入”20岁的)convolution2dLayer (5“名字”，“conv1”) batchNormalizationLayer (“名字”，“bn1”) reluLayer (“名字”，“relu1”20岁的)convolution2dLayer (3“填充”, 1“名字”，“conv2”) batchNormalizationLayer (“名字”，“bn2”) reluLayer (“名字”，“relu2”20岁的)convolution2dLayer (3“填充”, 1“名字”，“conv3”) batchNormalizationLayer (“名字”，“bn3”) reluLayer (“名字”，“relu3”) fullyConnectedLayer (10“名字”，“俱乐部”) softmaxLayer (“名字”，“softmax”));lgraph = layerGraph(层);
层图分析使用analyzeNetwork函数，并设置“TargetUsage”选项“dlnetwork”．
analyzeNetwork (lgraph“TargetUsage”，“dlnetwork”）
在这里，函数没有报告任何与层图有关的问题。
使用输入示例分析网络
要分析一个具有未连接到输入层的输入的网络，您可以提供示例网络输入到analyzeNetwork函数。您可以在分析时提供示例输入dlnetwork对象，或者当你分析时层数组或LayerGraph对象用于自定义培训工作流“TargetUsage”、“dlnetwork”名称-值的选择。
定义网络架构。建立一个有两个分支的网络。网络有两个输入，每个分支有一个输入。使用添加层连接分支。
numFilters = 24;inputSize = [64 64 3];layerbranch1 = [imageInputLayer(inputSize，“归一化”，“没有”，“名字”，“输入”) convolution2dLayer(3、6 * numFilters,“填充”，“相同”，“步”2,“名字”，“conv1Branch1”) groupNormalizationLayer (所有渠道的，“名字”，“gn1Branch1”) reluLayer (“名字”，“relu1Branch1”) convolution2dLayer (3 numFilters“填充”，“相同”，“名字”，“conv2Branch1”) groupNormalizationLayer (“channel-wise”，“名字”，“gn2Branch1”) additionLayer (2“名字”，“添加”) reluLayer (“名字”，“reluCombined”) fullyConnectedLayer (10“名字”，“俱乐部”) softmaxLayer (“名字”，“sm”));layersBranch2 =[卷积2dlayer (1,numFilters，“名字”，“convBranch2”) groupNormalizationLayer (所有渠道的，“名字”，“gnBranch2”));lgraph = layerGraph (layersBranch1);lgraph = addLayers (lgraph layersBranch2);lgraph = connectLayers (lgraph,“gnBranch2”，“添加/ in2”）;
创建dlnetwork．因为这个网络包含一个未连接的输入，所以创建一个未初始化的dlnetwork对象的“初始化”名称选择假．
dlnet = dlnetwork (lgraph,“初始化”、假);
创建示例网络输入，其大小和格式与该网络的典型输入相同。对于这两种输入，使用32的批大小。使用尺寸为64 × 64的输入，有三个通道作为层的输入“输入”．使用尺寸为64 × 64的输入，18个通道作为层的输入“convBranch2”．
exampleInput = dlarray(rand([inputSize 32]))，“SSCB”）;exampleeconvbranch2 = dlarray(rand([32 32 18 32]))，“SSCB”）;
检查层属性来确定提供示例输入的顺序。
dlnet。层
ans = 12×1 Layer array with layers:1的输入图像输入64×64×3图片2的conv1Branch1卷积144 3×3旋转步(2 - 2)和填充“相同”3“gn1Branch1”集团标准化规范化4的relu1Branch1 ReLU ReLU 5‘conv2Branch1卷积24 3×3的隆起与步幅[1]和填充“相同”6“gn2Branch1”集团标准化规范化7'add' add Element-wise add of 2 input 8 'reluCombined' ReLU ReLU 9 'fc' Fully Connected 10 Fully Connected layer 10 'sm' Softmax Softmax 11 'convBranch2' Convolution 24 1×1 convolutions with stride [1 1] and padding [0 0 0] 12 'gnBranch2' Group Normalization组归一化
分析了网络。控件中需要输入的层的顺序相同，提供示例输入层财产的dlnetwork．您必须为所有网络输入提供示例输入，包括连接到输入层的输入。
analyzeNetwork (dlnet exampleInput exampleConvBranch2)
输入参数
你也可以从以下列表中选择一个网站:
