analyzeNetwork
分析深度学习网络架构
语法
描述
使用analyzeNetwork为了可视化和理解网络的体系结构，请检查您是否正确定义了体系结构，并在培训之前发现问题。的问题,analyzeNetwork检测包括丢失或未连接的层，错误大小的层输入，错误数量的层输入和无效的图形结构。
提示
交互式地可视化、分析和训练网络，使用deepNetworkDesigner(净)．有关更多信息，请参见深度网络设计器．
analyzeNetwork (通过层数组或层图对网络层进行分析层）层并且还可以检测错误和问题trainNetwork工作流。该功能显示网络体系结构的交互式可视化，并提供有关网络层的详细信息。层信息包括层类型，层激活的大小和格式，以及可学习参数和状态参数的大小和数量。
每个激活维度都有以下标签之一:年代(空间),C(通道),B(批处理),T(时间或顺序)，或U(不明)。
例子
分析训练过的网络
加载一个预先训练好的GoogLeNet卷积神经网络。
Net = googlenet;
分析网络。analyzeNetwork显示网络体系结构的交互式图形和包含有关网络层信息的表。
analyzeNetwork(净)
使用左边的图来研究网络架构。在图中选择一个图层。选中的图层在图和图层表中高亮显示。
在表格中，查看层属性、层类型、层激活大小和可学习参数等层信息。一个层的激活是该层的输出。每个激活维度都有以下标签之一:
S -空间
C -通道
B -批量观察
T -时间或顺序
U -未指明
查看维度标签以了解数据如何通过网络传播，以及各层如何修改激活的大小和布局。
选择网络中较深的一层。请注意，更深层次的激活在空间维度(前两个维度)上较小，而在通道维度(最后一个维度)上较大。使用这种结构可以使卷积神经网络逐渐增加提取的图像特征的数量，同时降低空间分辨率。
深度学习网络分析仪显示网络中可学习参数的总数，精确到一位小数点后。要查看可学习参数的确切数量，请暂停总可学的．要显示每个层中可学习参数的数量，单击层表右上角的箭头并选择可学习的数量．要按列值对层表进行排序，请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数量对层进行排序，从而确定哪一层包含的参数最多。
修复网络架构中的错误
创建一个简单的带有跳跃连接的卷积网络。创建一个包含网络主要分支的层数组。
图层= [imageInputLayer([32 32 3])卷积2dlayer(5,16，填充=“相同”) reluLayer (Name =“relu_1”) convolution2dLayer(3、16、填充=“相同”，Stride=2) reluLayer additionLayer(2,Name=“add_1”) convolution2dLayer(3、16、填充=“相同”，Stride=2) reluLayer additionLayer(3,Name=“add_2”) fullyConnectedLayer(10) softmaxLayer classificationLayer];lgraph = layerGraph(图层);
将层数组转换为层图并添加跳过连接。其中一个跳过连接包含单个1 × 1卷积层conv_skip．
layer = convolution2dLayer(1,16,Stride=2,Name=“conv_skip”）;lgraph = addLayers(lgraph,layer);lgraph = connectLayers(“relu_1”，“add_1 / in2”）;lgraph = connectLayers(“add_1”，“add_2 / in2”）;
分析网络结构analyzeNetwork函数。该函数发现网络中三个层的问题。
analyzeNetwork (lgraph)
调查并修复网络中的错误。在本例中，以下问题导致错误:
层
conv_skip没有连接到网络的其他部分。它应该是连接部分之间的快捷方式add_1而且add_2层。要修复此错误，请连接add_1来conv_skip而且conv_skip来add_2．的
add_2层被指定有三个输入，但层只有两个输入。若要修复此错误，请将输入数量指定为2．附加层的所有输入必须具有相同的大小，但是
add_1图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)中对激活进行了两倍的下调采样。来调整输入的大小relu2层，使它与输入的大小相同relu_1，通过移除步的值conv_2层。
将这些修改应用于本示例开头的图层图构造，并创建一个新的图层图。
图层= [imageInputLayer([32 32 3])卷积2dlayer(5,16，填充=“相同”) reluLayer (Name =“relu_1”) convolution2dLayer(3、16、填充=“相同”) reluLayer additionLayer(2,Name=“add_1”) convolution2dLayer(3、16、填充=“相同”，Stride=2) reluLayer additionLayer(2,Name=“add_2”) fullyConnectedLayer(10) softmaxLayer classificationLayer];lgraph = layerGraph(图层);layer = convolution2dLayer(1,16,Stride=2,Name=“conv_skip”）;lgraph = addLayers(lgraph,layer);lgraph = connectLayers(“relu_1”，“add_1 / in2”）;lgraph = connectLayers(“add_1”，“conv_skip”）;lgraph = connectLayers(“conv_skip”，“add_2 / in2”）;
分析新架构。新的网络不包含任何错误，可以进行训练。
analyzeNetwork (lgraph)
分析自定义训练循环的层次
创建一个自定义训练循环的层数组。对于自定义训练循环工作流，网络不能有输出层。
layers = [imageInputLayer([28 28 1]，归一化=“没有”) convolution2dLayer(5、20、填充=“相同”) batchNormalizationLayer relullayer卷积2dlayer(3,20，填充=“相同”) batchNormalizationLayer relullayer卷积2dlayer(3,20，填充=“相同”) batchNormalizationLayer reluLayer fullyConnectedLayer(10) softmaxLayer];
方法分析层数组analyzeNetwork函数，并设置TargetUsage选项“dlnetwork”．
analyzeNetwork(层,TargetUsage =“dlnetwork”）
在这里，函数没有报告与层数组有关的任何问题。
使用示例输入分析网络
要分析具有未连接到输入层的输入的网络，可以向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选项“dlnetwork”．
定义网络架构。构造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。使用附加层连接分支。
numFilters = 24;inputSize = [64 64 3];layersBranch1 = [convolution2dLayer(3,6*numFilters,Padding= .“相同”步= 2)groupNormalizationLayer (“所有渠道”) reluLayer卷积2dlayer (3,numFilters，填充=“相同”) groupNormalizationLayer (“channel-wise”) additionLayer (Name =“添加”reluLayer fullyConnectedLayer(10) softmaxLayer];layersBranch2 = [convolution2dLayer(1,numFilters,Name= .“conv_branch”) groupNormalizationLayer (“所有渠道”、名称=“gn_branch”));lgraph = layerGraph(layersBranch1);lgraph = addLayers(lgraph,layersBranch2);lgraph = connectLayers(“gn_branch”，“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，通过设置初始化选项假．
net = dlnetwork(lgraph,Initialize=false);
查看网络输入名称。
网InputNames
ans =1×2细胞{' conv_1} {' conv_branch '}
使用random为该网络创建与典型输入相同大小和格式的示例网络输入dlarray对象。对于这两个输入，使用32的批处理大小。使用大小为64 * 64的输入，其中有三个通道用于该层的输入“输入”．使用大小为64 * 64的输入，有18个通道作为该层的输入。conv_branch”．
X1 = dlarray(rand([inputSize 32])，“SSCB”）;X2 = dlarray(rand([32 32 18 32])，“SSCB”）;
分析网络。的顺序提供示例输入InputNames的属性dlnetwork．您必须为所有网络输入提供一个示例输入，包括连接到输入层的输入。
analyzeNetwork(净(X1, X2)
输入参数
版本历史
您也可以从以下列表中选择一个网站: