主要内容

layerGraph

网络层图表深度学习

展开所有页面

描述

图层图指定具有更复杂的图形结构的深度学习网络的体系结构，其中层可以从多个层的输入并输出到多个层。具有此结构的网络称为导向非循环图（DAG）网络。创建一个后layerGraph对象，您可以使用对象函数来绘制图形并通过添加，删除，连接和断开连接来修改它。要培训网络，请使用图层图作为层数输入参数trainNetwork．

创建

句法

lgraph = layerGraph
Lgraph = LayerGraph（层）
lgraph = layerGraph (dagNet)
lgraph = layerGraph (dlnet)

描述

例子

LGRAPH.=分层图创建一个空层图，该图层包含没有图层。您可以通过使用“将图层添加到空图”addlayers.函数。

例子

LGRAPH.=分层图（层数）从网络层数组创建层图并设置层数财产。的层LGRAPH.以与相同的顺序连接层数．所有图层必须具有唯一的非空白名称。

例子

LGRAPH.=分层图（dagNet）提取图层图Dagnetwork.．例如，您可以提取备用网络的图层图以执行传输学习。

LGRAPH.=分层图（dlnet）提取图层图dlnetwork．使用此语法使用adlnetwork与trainNetwork函数或深层网络设计师．

输入参数

全部展开

DAG网络，指定为Dagnetwork.目的。

用于自定义训练循环的网络，指定为adlnetwork目的。

为了dlnetwork输入，软件从学习参数中提取数字数据并将其转换为单精度。

属性

全部展开

网络图层，指定为a层数组中。

层连接，指定为具有两列的表。

每个表行表示图层图中的连接。第一列，源，指定每个连接的来源。第二列,目的地，指定每个连接的目的地。连接源和目的地要么是层名，要么是表单'layername / ioname',在那里“IOName”是输入或输出的图层的名称。

数据类型:表格

网络输入层名称，指定为字符向量的单元格数组。

数据类型:细胞

网络输出层名称，指定为字符向量的单元格数组。

数据类型:细胞

对象的功能

addlayers. 将图层添加到图层图形
removelayers. 从层图中移除层
替换剂 在层图中替换层
ConnectLayers. 连接图层图形
disconnectLayers 在层图中断开层
情节 绘制神经网络层图

例子

全部折叠

打开生活的脚本

创建一个空的层图和一系列图层。将图层添加到图层图并绘制图形。addlayers.按顺序连接图层。

lgraph = layerGraph;[imageInputLayer([32 32 3]，])，'名称'那'输入') convolution2dLayer(3, 16岁,“填充”那“相同”那'名称'那“conv_1”) batchNormalizationLayer ('名称'那“BN_1”）剥离（'名称'那'relu_1'));lgraph = addLayers (lgraph层);图绘图（LGROP）

图包含轴。轴包含Type Graphplot的对象。

打开生活的脚本

创建一系列图层。

图层= [imageInputLayer（[28 28 1]，'名称'那'输入') convolution2dLayer(3, 16岁,“填充”那“相同”那'名称'那“conv_1”) batchNormalizationLayer ('名称'那“BN_1”）剥离（'名称'那'relu_1'));

从图层数组中创建一个图层图。layerGraph连接所有的层层数顺序地。绘制图层图。

Lgraph = LayerGraph（层）;图绘图（LGROP）

图包含轴。轴包含Type Graphplot的对象。

打开生活的脚本

加载预制挤压罩网络。您可以使用此培训的网络进行分类和预测。

网= squeezenet;

为了对网络结构进行修改，首先对DAG网络的结构进行提取layerGraph．然后可以使用的对象函数分层图修改网络架构。

LGRAPRE = LayerGraph（网）
LAPHRAGH =具有属性的图表图：图层：[68x1 nnet.cnn.layer.layer]连接：[75x2表]输入名称：{'data'} OutputNames：{'classificationLayer_predictions'}
打开生活的脚本

为深度学习创建一个简单的有向无环图(DAG)网络。训练网络对数字图像进行分类。这个例子中的简单网络包括:

  • 主要分支，层依次连接。

  • 一种快捷连接包含单个1×1卷积层。快捷连接使参数渐变使得从输出层更容易流到网络的早期层。

将网络的主分支创建为层数组。添加层和多个输入元素明智。指定添加图层的输入数。所有图层必须具有名称，所有名称必须是唯一的。

图层= [imageInputLayer（[28 28 1]，'名称'那'输入'）卷积2dlayer（5,16，“填充”那“相同”那'名称'那“conv_1”) batchNormalizationLayer ('名称'那“BN_1”）剥离（'名称'那'relu_1'）卷积2dlayer（3,32，“填充”那“相同”那'走吧'2,'名称'那“conv_2”) batchNormalizationLayer ('名称'那“BN_2”）剥离（'名称'那'relu_2'）卷积2dlayer（3,32，“填充”那“相同”那'名称'那“conv_3”) batchNormalizationLayer ('名称'那“BN_3”）剥离（'名称'那'relu_3') additionLayer (2'名称'那'添加'）普通Pooling2dlayer（2，'走吧'2,'名称'那'avpool') fullyConnectedLayer (10'名称'那“俱乐部”) softmaxLayer ('名称'那'softmax') classificationLayer ('名称'那'ClassOutput'));

从图层数组中创建一个图层图。layerGraph连接所有的层层数顺序地。绘制图层图。

Lgraph = LayerGraph（层）;图绘图（LGROP）

创建1乘1的卷积层，并将其添加到层图中。指定卷积过滤器的数量和步幅，以便激活大小与'relu_3'层。这种安排使添加层能够添加的输出'skipconv'和'relu_3'层。要检查图层是否在图形中，请绘制图层图。

32岁的skipConv = convolution2dLayer (1'走吧'2,'名称'那'skipconv'）;lgraph = addLayers (lgraph skipConv);图绘图（LGROP）

从中创建快捷方式连接'relu_1'层到了'添加'层。因为您指定了两个作为添加层的输入的数量时，所以该图层有两个名为的输入“三机”和'in2'．的'relu_3'层已经连接到“三机”输入。连接'relu_1'层到了'skipconv'层和'skipconv'层到了'in2'输入的'添加'层。添加层现在会汇总输出'relu_3'和'skipconv'层。要检查层是否连接正确，绘制层图。

Lgraph = ConnectLayers（LAPHAGE，'relu_1'那'skipconv'）;Lgraph = ConnectLayers（LAPHAGE，'skipconv'那'添加/ in2'）;图绘制(lgraph);

加载训练和验证数据，其中包含28 × 28的数字灰度图像。

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

指定培训选项并对网络进行培训。trainNetwork每次使用验证数据验证网络验证频繁迭代。

选择= trainingOptions (“个”那......'maxepochs'，8，......“洗牌”那'每个时代'那......“ValidationData”{XValidation, YValidation},......'验证职业'，30，......“详细”假的,......'plots'那'培训 - 进步'）;网= trainNetwork (XTrain YTrain、lgraph选项);

显示训练网络的属性。网络是一个Dagnetwork.目的。

净
net =具有属性的Dagnetwork：图层：[16×1 nnet.cnn.layer.layer]连接：[16×2表]输入名称：{'输入'} OutputNames：{'classOutput'}

分类验证图像并计算准确性。网络非常准确。

YPredicted =分类(净,XValidation);精度=平均值(YPredicted == YValidation)
精度= 0.9930

提示

  • 层图不能说明长短期记忆(LSTM)网络的结构。有关如何创建LSTM网络的详细信息，请参见长短期内存网络．

也可以看看

|||||||||||||||||||

主题

在R2017B中介绍

深度学习工具箱文档

万博1manbetx

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书