分析网络
深度学习网络体系结构分析
描述
使用分析网络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,分析网络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。
例子
分析培训网络
加载预训练的GoogLeNet卷积神经网络。
净=googlenet
net=DAG网络，具有以下属性：层：[144×1 nnet.cnn.layer.layer]连接：[170×2表]
分析网络。分析网络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。
通过单击图层表右上角的箭头并选择，显示每个图层中可学习参数的总数总可学内容。若要按列值对图层表进行排序，请将鼠标悬停在列标题上，然后单击显示的箭头。例如，您可以通过按可学习参数的总数对图层进行排序来确定哪个图层包含的参数最多。
分析网络（net）
修复网络体系结构中的错误
创建具有快捷连接的简单卷积网络。将网络的主分支创建为层数组，并从层数组创建层图。分层图连接中的所有层层按顺序。
[imageInputLayer([32 32 3]，])，“名字”，“输入”16) convolution2dLayer(5日,“填充”，“一样”，“名字”，“conv_1”) reluLayer (“名字”，“relu_1”)卷积2层（3,16，“填充”，“一样”，“步”2.“名字”，“conv_2”) reluLayer (“名字”，“relu_2”)附加层（2，“名字”，“add1”)卷积2层（3,16，“填充”，“一样”，“步”2.“名字”，“conv_3”) reluLayer (“名字”，“relu_3”)附加层（3，“名字”，“add2”)完全连接层（10，“名字”，“fc”)分类层(“名字”，“输出”)]；lgraph=层图（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”）;
分析网络体系结构。分析网络查找网络中的四个错误。
analyzeNetwork (lgraph)
调查并修复网络中的错误。在此示例中，以下问题会导致错误：
输出类别概率的softmax层必须位于分类层之前
输出分类层，在分类层之前增加一个softmax层。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地址1和地址2图层。若要修复此错误，请连接地址1来skipConv和skipConv来地址2．的
地址2图层指定为有三个输入，但图层只有两个输入。要修复错误，请将输入数指定为2．添加层的所有输入必须具有相同的大小，但
地址1层有两个不同大小的输入。因为conv_2图层有一个“步”值为2时，该层在前两个维度（空间维度）中以2的因子对激活进行下采样relu2层，使其具有与输入相同的大小relu1，通过设置“步”的价值conv_2层为1。
从本例开始，将这些修改应用于层图构造，并创建一个新的层图。
[imageInputLayer([32 32 3]，])，“名字”，“输入”16) convolution2dLayer(5日,“填充”，“一样”，“名字”，“conv_1”) reluLayer (“名字”，“relu_1”)卷积2层（3,16，“填充”，“一样”，“步”1.“名字”，“conv_2”) reluLayer (“名字”，“relu_2”)附加层（2，“名字”，“add1”)卷积2层（3,16，“填充”，“一样”，“步”2.“名字”，“conv_3”) reluLayer (“名字”，“relu_3”)附加层（2，“名字”，“add2”)完全连接层（10，“名字”，“fc”)软MaxLayer(“名字”，“softmax”); 分类层(“名字”，“输出”)]；lgraph=层图（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，可以进行培训。
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。
层=[imageInputLayer（[28 1]，“正常化”，“没有”，“名字”，“输入”20岁的)convolution2dLayer (5“名字”，“conv1”)批处理规范化层(“名字”，“bn1”) reluLayer (“名字”，“relu1”20岁的)convolution2dLayer (3“填充”1.“名字”，“conv2”)批处理规范化层(“名字”，“bn2”) reluLayer (“名字”，“relu2”)卷积层（3，20，“填充”, 1“名字”，“conv3”)批处理规范化层(“名字”，“bn3”) reluLayer (“名字”，“relu3”)完全连接层（10，“名字”，“fc”)软MaxLayer(“名字”，“softmax”)]；lgraph=层图（层）；
层图分析使用分析网络函数并设置“TargetUsage”选择“dlnetwork”．
analyzeNetwork (lgraph“TargetUsage”，“dlnetwork”）
在这里，函数不报告层图的任何问题。
输入参数
另请参阅
您还可以从以下列表中选择网站：
