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．
训练网络
网络层
analyzeNetwork (中指定的网络层进行分析层）层并且还可以检测错误和问题trainNetwork工作流。层可以是层数组或LayerGraph对象。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。层信息包括层激活的数量和大小、可学习参数和状态参数。
analyzeNetwork (使用示例网络输入分析网络层层，dlX1,…,dlXn“TargetUsage”,“dlnetwork”)dlX1,…,dlXn．该软件通过网络传播示例输入，以确定层激活的数量和大小、可学习参数和状态参数。使用此语法可以分析具有一个或多个未连接到输入层的输入的网络。
dlnetwork对象
analyzeNetwork (分析了dlnet）dlnetwork对象用于自定义训练循环工作流。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。层信息包括层激活的数量和大小、可学习参数和状态参数。
analyzeNetwork (分析了dlnet，dlX1,…,dlXn）dlnetwork对象使用示例网络输入dlX1,…,dlXn．该软件通过网络传播示例输入，以确定层激活的数量和大小、可学习参数和状态参数。使用此语法分析未初始化的dlnetwork它具有一个或多个未连接到输入层的输入。
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。
网络= googlenet
net = DAGNetwork with properties: Layers: [144×1 nnet.cnn.layer.Layer] Connections: [170×2 table] InputNames: {'data'} OutputNames: {'output'}
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。
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。
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。
通过点击图层表右上角的箭头并选择，显示每一层中可学习参数的总数总可学的．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，通过根据可学习参数的总数对层进行排序，可以确定哪一层包含的参数最多。
analyzeNetwork(净)
修复网络架构中的错误
创建一个具有快捷连接的简单卷积网络。将网络的主要分支创建为一个层数组，并从层数组创建一个层图。layerGraph连接所有的层层按顺序。
图层= [imageInputLayer([32 32 3])卷积2dlayer (5,16，“填充”，“相同”) reluLayer (“名字”，“relu_1”) convolution2dLayer(3, 16岁,“填充”，“相同”，“步”，2) reluLayer附加层(2，“名字”，“add1”) convolution2dLayer(3, 16岁,“填充”，“相同”，“步”，2) reluLayer附加层(3，“名字”，“add2”) fullyConnectedLayer(10) softmaxLayer classificationLayer];lgraph = layerGraph(图层);
创建快捷连接。其中一个快捷连接包含单个1乘1卷积层skipConv．
skipConv =卷积2dlayer (1,16，“步”2,“名字”，“skipConv”）;lgraph = addLayers(lgraph,skipConv);lgraph = connectLayers(“relu_1”，“add1 / in2”）;lgraph = connectLayers(“add1”，“add2 / in2”）;
分析网络结构。analyzeNetwork在网络中找到四个错误。
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:
的
skipConv层未连接到网络的其余部分。它应该是连接部分之间的快捷方式add1而且add2层。要修复此错误，请连接add1来skipConv而且skipConv来add2．的
add2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
add1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relu1，通过设置“步”的值conv_2从层到1。
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 (“名字”，“relu_1”) convolution2dLayer(3, 16岁,“填充”，“相同”，“步”，1) reluLayer附加层(2)“名字”，“add1”) convolution2dLayer(3, 16岁,“填充”，“相同”，“步”，2) reluLayer附加层(2，“名字”，“add2”) fullyConnectedLayer(10) softmaxLayer classificationLayer];lgraph = layerGraph(图层);skipConv =卷积2dlayer (1,16，“步”2,“名字”，“skipConv”）;lgraph = addLayers(lgraph,skipConv);lgraph = connectLayers(“relu_1”，“add1 / in2”）;lgraph = connectLayers(“add1”，“skipConv”）;lgraph = connectLayers(“skipConv”，“add2 / 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图
为自定义训练循环创建层图。对于自定义训练循环工作流，层图不能有输出层。
图层= [imageInputLayer([28 28 1]，“归一化”，“没有”，“名字”，“输入”)卷积2dlayer (5, 20，“名字”，“conv1”) batchNormalizationLayer (“名字”，“bn1”) reluLayer (“名字”，“relu1”20岁的)convolution2dLayer (3“填充”,1，“名字”，“conv2”) batchNormalizationLayer (“名字”，“bn2”) reluLayer (“名字”，“relu2”)卷积2dlayer (3, 20，“填充”, 1“名字”，“conv3”) batchNormalizationLayer (“名字”，“bn3”) reluLayer (“名字”，“relu3”) fullyConnectedLayer (10“名字”，“俱乐部”) softmaxLayer (“名字”，“softmax”));lgraph = layerGraph(图层);
对层图进行分析analyzeNetwork函数，并设置“TargetUsage”选项“dlnetwork”．
analyzeNetwork (lgraph“TargetUsage”，“dlnetwork”）
在这里，函数没有报告与层图有关的任何问题。
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”、“dlnetwork”名称-值的选择。
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 = [imageInputLayer(inputSize，“归一化”，“没有”，“名字”，“输入”) convolution2dLayer(3、6 * numFilters,“填充”，“相同”，“步”2,“名字”，“conv1Branch1”) groupNormalizationLayer (所有渠道的，“名字”，“gn1Branch1”) reluLayer (“名字”，“relu1Branch1”) convolution2dLayer (3 numFilters“填充”，“相同”，“名字”，“conv2Branch1”) groupNormalizationLayer (“channel-wise”，“名字”，“gn2Branch1”) additionLayer (2“名字”，“添加”) reluLayer (“名字”，“reluCombined”) fullyConnectedLayer (10“名字”，“俱乐部”) softmaxLayer (“名字”，“sm”));layersBranch2 = [convolution2dLayer(1,numFilters，“名字”，“convBranch2”) groupNormalizationLayer (所有渠道的，“名字”，“gnBranch2”));lgraph = layerGraph(layersBranch1);lgraph = addLayers(lgraph,layersBranch2);lgraph = connectLayers(“gnBranch2”，“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”名称-值选项假．
Dlnet = dlnetwork(lgraph，“初始化”、假);
创建与该网络的典型输入相同大小和格式的示例网络输入。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，其中有18个通道用于该层的输入“convBranch2”．
exampleInput = dlarray(rand([inputSize 32])，“SSCB”）;exampleeconvbranch2 = dlarray(rand([32 32 18 32])，“SSCB”）;
检查层属性，以确定提供示例输入的顺序。
dlnet。层
ans = 12×1带有图层的图层数组:1' input' Image input 64×64×3 images 2 'conv1Branch1' Convolution 144 3×3 convolutions with stride [2 2] and padding 'same' 3 'gn1Branch1' Group Normalization Group Normalization 4 'relu1Branch1' ReLU ReLU 5 'conv2Branch1' Convolution 24 3×3 convolutions with stride [1 1] and padding 'same' 6 'gn2Branch1' Group Normalization Group Normalization 7 'add' Addition元素添加2个输入8 'reluCombined' ReLU ReLU 9 'fc' Fully Connected 10 Fully Connected layer 10 'sm' Softmax Softmax 11'convBranch2' Convolution 24 1×1卷积与stride[1 1]和padding [0 0 0 0] 12 'gnBranch2'组归一化组归一化
分析网络。类中需要输入的层以相同的顺序提供示例输入层的属性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 (dlnet exampleInput exampleConvBranch2)
输入参数
您也可以从以下列表中选择一个网站:
