深層学習用のシンプルな有向非循環グラフ(dag)ネットワ，クを作成します。数字のメジを分類するようネットワクに学習させます。この例のシンプルなネットワ，クは，以下から構成されます。

ネットワ，クの主分岐を層配列として作成します。加算層では複数の入力が要素単位で合計されます。加算層で合計する入力数を指定します。後で簡単に結合を追加できるように，最初のReLU層と加算層の名前を指定します。

图层= [imageInputLayer([28 28 1])卷积2dlayer (5,16，“填充”，“相同”reluLayer()“名字”，“relu_1”32岁的)convolution2dLayer (3“填充”，“相同”，“步”，2)卷积2dlayer (3,32，“填充”，“相同”(2)“名字”，“添加”) averagePooling2dLayer (2“步”，2) fullyConnectedLayer(10) softmaxLayer classificationLayer];

層配列から層グラフを作成します。layerGraphは层のすべての層を順に結合します。層グラフをプロットします。

lgraph = layerGraph(图层);图绘制(lgraph)

1 × 1畳み込み層を作成し，層グラフに追加します。活性化のサイズが3番目のReLU層の活性化のサイズと一致するように,畳み込みフィルターの数とストライドを指定します。この方法により，加算層で3番目のReLU層と1 × 1畳み込み層の出力を加算できます。層がグラフに含まれることを確認するには，層グラフをプロットします。

skipConv =卷积2dlayer (1,32，“步”,2，“名字”，“skipConv”）;lgraph = addLayers(lgraph,skipConv);图绘制(lgraph)

“relu_1”層から“添加”層へのショ，トカット結合を作成します。層の作成時に加算層への入力数を 2 に指定しているため、層には“三机”および“in2”という名前の2の入力があります。3番目のReLU層は既に“三机”入力に結合されています。“relu_1”層を“skipConv”層に結合し，“skipConv”層を“添加”層の“in2”入力に結合します。ここで加算層は3番目のReLU層と“skipConv”層の出力を合計します。層が正しく結合されていることを確認するには，層グラフをプロットします。

lgraph = connectLayers(“relu_1”，“skipConv”）;lgraph = connectLayers(“skipConv”，“添加/ in2”）;图绘制(lgraph);

数字の28 x 28のグレースケールイメージで構成される学習データと検証データを読み込みます。

[XTrain,YTrain] = digitTrain4DArrayData;[XValidation,YValidation] = digitTest4DArrayData;

学習オプションを指定してネットワ，クに学習させます。trainNetworkは,ValidationFrequency回の反復ごとに検証デ，タを使用してネットワ，クを検証します。

选项= trainingOptions(“个”，.．.“MaxEpochs”8.．.“洗牌”，“every-epoch”，.．.“ValidationData”{XValidation, YValidation},.．.“ValidationFrequency”30岁的.．.“详细”假的,.．.“阴谋”，“训练进步”）;net = trainNetwork(XTrain,YTrain,lgraph,options);

学習済みネットワ，クのプロパティを表示します。ネットワ，クはDAGNetworkオブジェクトになります。

网

net = DAGNetwork with properties: Layers: [16x1 nnet.cnn.layer.Layer] Connections: [16x2 table] InputNames: {'imageinput'} OutputNames: {'classoutput'}

検証。ネットワ，クは非常に正確になっています。

ypredict = classification (net,XValidation);accuracy = mean(yexpected == YValidation)

准确度= 0.9940