。
分析
深层学习ネットワークアーキテクチャの解析
说明
分析を使用して,ネットワークのアーキテクチャを可視化して把握し,アーキテクチャが正しく定義されていることを確認して,学習前に問題を検出します。分析が検出する问题に，层层欠损または未结合，层入力のサイズ误り，层のの力数の，无效なグラフ构造などありあり。
分析（は净）系列网络またはDagnetwork.オブジェクトの净を解析します。关节は，ネットワーク アーキテクチャを対話的に可視化し、ネットワーク層についての詳細情報を提供します。層の情報には、層の活性化と学習可能なパラメーターのサイズ、学習可能なパラメーターの総数、および再帰層の状態パラメーターのサイズが含まれます。
ヒント
ネットワークの可视化，解析，および学习を対话的にうに，DeepNetWorkDesigner（网）を使用します。详细については，ディープネットワークデザイナーを参照してください。
分析（は，层配列层数）层数を解析し，Trainnetwork.ワークワークフローのエラーエラーとも検出しし
分析（は，カスタム学习ループワークフローのdlnet）dlnetwork.オブジェクトを解析します。未接続のの力がネットワークはサポートされててませ
例
学习済みネットワークの解析
事前学习済みgooglenet畳み込みニューラルネットワークを読み込みます。
net = googlenet.
net = DAGNetwork with properties: Layers: [144×1 net.cnn.layer. layer]连接:[170×2 table]
ネットワークを解析します。分析は，ネットワークアーキテクチャの対话型，およびおよびネットワーク层についての情情情れるれるれる表示表示しし
左侧のプロットアーキテクチャをますてで层选択します。选択选択たはします。选択したは，プロットと层ののの强调表示さます。
桌面は，层层プロパティ，层层タイプ，层层活性とと，层の情パラメーターサイズされます。
ネットワークのさらに深い層を選択します。深い層の活性化は,空間次元(最初の2つの次元)が小さくなり,チャネルの次元(最後の次元)が大きくなることに注目してください。畳み込みニューラルネットワークについてこの構造を使用すると,空間分解能を下げながら,抽出されるイメージの特徴の数を徐々に増やすことができます。
层の表の右右上隅ある矢印をクリックし，(学習可能の総数)を选択して，学校可以なパラメーターののをしますます表示します。を并べ替えるにのの并べ替えるには，列の见出しマウスを移て，表示て，学士学位，习でを并べ替えるで，含まれるパラメーター最もと，含まれるパラメーターが并べ替えると。
分析（净）
ネットワークアーキテクチャのエラーの修正
ショートカット结合を使しシンプルな畳み込みネットワークをししのますを层配列层配列として。layerGraphは，层数ののすべての层层を顺にに结しし
图层= [imageInputLayer（[32 32 3]，'姓名'那'输入'）卷积2dlayer（5,16，'填充'那“相同”那'姓名'那'conv_1'）剥离（'姓名'那'relu_1') convolution2dLayer(3, 16岁,'填充'那“相同”那'走吧'2，'姓名'那'conv_2'）剥离（'姓名'那'relu_2'）附加层（2，'姓名'那'Add1') convolution2dLayer(3, 16岁,'填充'那“相同”那'走吧'2，'姓名'那'conv_3'）剥离（'姓名'那'relu_3'）附加层（3，'姓名'那'Add2') fullyConnectedLayer (10'姓名'那“俱乐部”) classificationLayer ('姓名'那'输出'));Lgraph = LayerGraph（层）;
ショートカット综合を作物成しますカットカット合1のつに，単一，1 x 1畳み込み层Skipconv.が含まれます。
Skipconv = Convolution2dlayer（1,16，'走吧'2，'姓名'那'skipconv'）;Lgraph = Addlayers（LAPHAGH，SKIPCONV）;Lgraph = ConnectLayers（LAPHAGE，'relu_1'那“add1 / in2”）;Lgraph = ConnectLayers（LAPHAGE，'Add1'那'Add2 / In2'）;
ネットワークアーキテクチャを解析します。分析によってネットワークの4つのエラーががさますます。
分析（LGROPH）
。
输出分享到するするする，分享到するにソフトマックス层层层追加。Skipconv.層が残りのネットワークに結合されていません。これはadd1层とadd2层のショートて必要がありますますますます。add1をSkipconv.に结合し，Skipconv.をadd2に结合します。add2层のの力が3つになるように指定れていが，この层ののは2つしかありません。このこのを修するには，入力の修2を指定します。加入层へののの力のサイズは同じばなりませんが，
add1层にサイズが异なる2つのつの力がます。Conv_2层の'走吧'の値が2であるため，この层では最初の2つの次元（空间次元）においてにおいてわれますわれます。relu2.層からの入力のサイズをrelu1.からのの力のサイズ同じにになるよう変更するにConv_2层の'走吧'の値を1に設定してダウンサンプリングを削除します。
この例の開始時からの層グラフの構築にこれらの変更を適用し,新しい層グラフを作成します。
图层= [imageInputLayer（[32 32 3]，'姓名'那'输入'）卷积2dlayer（5,16，'填充'那“相同”那'姓名'那'conv_1'）剥离（'姓名'那'relu_1') convolution2dLayer(3, 16岁,'填充'那“相同”那'走吧'，1，'姓名'那'conv_2'）剥离（'姓名'那'relu_2'）附加层（2，'姓名'那'Add1') convolution2dLayer(3, 16岁,'填充'那“相同”那'走吧'2，'姓名'那'conv_3'）剥离（'姓名'那'relu_3'）附加层（2，'姓名'那'Add2') fullyConnectedLayer (10'姓名'那“俱乐部”）softmaxlayer（'姓名'那'softmax'）;classificationLayer ('姓名'那'输出'));Lgraph = LayerGraph（层）;Skipconv = Convolution2dlayer（1,16，'走吧'2，'姓名'那'skipconv'）;Lgraph = Addlayers（LAPHAGH，SKIPCONV）;Lgraph = ConnectLayers（LAPHAGE，'relu_1'那“add1 / in2”）;Lgraph = ConnectLayers（LAPHAGE，'Add1'那'skipconv'）;Lgraph = ConnectLayers（LAPHAGE，'skipconv'那'Add2 / In2'）;
新闻アーキテクチャを解析ます。新しいネットワークにはエラーがずず，学校のののが整っています。
分析（LGROPH）
カスタム学习ループの层グラフ层グラフ解析解析
カスタム学习ループますます。
[imageInputLayer([28 28 1]，])，'正常化'那'没有任何'那'姓名'那'输入'）卷积2dlayer（5,20，'姓名'那'conv1'batchnormalizationlayer（'姓名'那'bn1'）剥离（'姓名'那“relu1”）卷积2dlayer（3,20，'填充'，1，'姓名'那'conv2'batchnormalizationlayer（'姓名'那'bn2'）剥离（'姓名'那'relu2'20岁的)convolution2dLayer (3'填充'，1，'姓名'那'conv3'batchnormalizationlayer（'姓名'那'bn3'）剥离（'姓名'那'relu3') fullyConnectedLayer (10'姓名'那“俱乐部”）softmaxlayer（'姓名'那'softmax'));Lgraph = LayerGraph（层）;
关节分析をを用して层グラフを解析解析，'targetusage'オプションを'dlnetwork'に设定します。
分析（LGraph，'targetusage'那'dlnetwork'）
关报报告によれば，このこの层グラフには何のもありませませの问题もありませませ
入力数
你也可以从以下列表中选择一个网站:
