layerGraph
深層学習用のネットワ，ク層のグラフ
説明
層グラフは,層に複数の層からの入力と複数の層への出力がある,より複雑なグラフ構造の深層学習ネットワークのアーキテクチャを指定します。このような構造を持ネットワクは有向非循環グラフ(dag)ネットワクと呼ばれます。layerGraphオブジェクトの作成後は,オブジェクト関数を使用してグラフをプロットしたり,層の追加,削除,結合,および切り離しによってグラフを変更したりできます。ネットワ，クに学習させるには，関数trainNetworkへの入力として層グラフを使用するか，dlnetworkに変換し，カスタム学習ル，プを使用して学習させます。
作成
説明
入力引数
プロパティ
オブジェクト関数
addLayers |
在图层图或网络中添加图层 |
removeLayers |
層グラフまたはネットワ，クからの層の削除 |
replaceLayer |
層グラフまたはネットワ，クの層の置き換え |
connectLayers |
層グラフまたはネットワ，クの層の結合 |
disconnectLayers |
層グラフまたはネットワ，クの層の切り離し |
情节 |
ニュ，ラルネットワ，クア，キテクチャのプロット |
例
層グラフへの層の追加
空の層グラフと層の配列を作成します。層グラフに層を追加し，グラフをプロットします。addLayersによって層が順に結合されます。
lgraph = layerGraph;图层= [imageInputLayer([32 32 3]，“名字”，“输入”) convolution2dLayer(3, 16岁,“填充”，“相同”，“名字”，“conv_1”) batchNormalizationLayer (“名字”，“BN_1”) reluLayer (“名字”，“relu_1”));lgraph = addLayers(lgraph,layers);图绘制(lgraph)
層の配列からの層グラフの作成
層の配列を作成します。
图层= [imageInputLayer([28 28 1]，“名字”，“输入”) convolution2dLayer(3, 16岁,“填充”，“相同”，“名字”，“conv_1”) batchNormalizationLayer (“名字”，“BN_1”) reluLayer (“名字”，“relu_1”));
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)
达格ネットワ，クの層グラフの抽出
事前学習済みのSqueezeNetネットワ，クを読み込みます。この学習済みネットワ，クを分類と予測に使用できます。
网=挤压网;
ネットワ，ク構造を変更するには，まずlayerGraphを使用してdagネットワ，クの構造を抽出します。次に，LayerGraphのオブジェクト関数を使用して，ネットワ，クア，キテクチャを変更できます。
lgraph = layerGraph(net)
lgraph = LayerGraph with properties: Layers: [68x1 nnet.cnn.layer.Layer] Connections: [75x2 table] InputNames: {'data'} OutputNames: {'ClassificationLayer_predictions'}
シンプルなdagネットワ，クの作成
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。
逐次結合層による主分岐。
単一の1 × 1畳み込み層を含む“ショ，トカット結合”。ショートカット結合は,パラメーターの勾配がネットワークの出力層からより初期の層へとよりスムーズに流れるようにします。
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= 0.9934
バ，ジョン履歴
R2017bで導入
您也可以从以下列表中选择一个网站: