主要内容
达格网络
用于深度学习的有向无环图（DAG）网络
描述
DAG网络是一种用于深度学习的神经网络，各层以有向无环图的形式排列。DAG网络可以具有更复杂的体系结构，其中各层具有来自多个层的输入，并向多个层输出。
性质
例子
创建简单的DAG网络
创建用于深度学习的简单有向无环图（DAG）网络。训练网络对数字图像进行分类。本例中的简单网络包括：
各层按顺序连接的主要分支。
A.快捷连接包含单个1乘1卷积层的。快捷连接使参数渐变更容易从输出层流向网络的早期层。
将网络的主分支创建为图层阵列。加法层按元素对多个输入求和。指定要求和的加法层的输入数。所有图层都必须有名称，并且所有名称都必须是唯一的。
层=[imageInputLayer（[28 1]，“姓名”,“输入”)卷积2层（5,16，“填充”,“一样”,“姓名”,“conv_1”)批处理规范化层(“姓名”,‘BN_1’)雷卢耶(“姓名”,“relu_1”)卷积2层（3,32，“填充”,“一样”,“大步走”2.“姓名”,“conv_2”)批处理规范化层(“姓名”,‘BN_2’)雷卢耶(“姓名”,“relu_2”)卷积2层（3,32，“填充”,“一样”,“姓名”,“conv_3”)批处理规范化层(“姓名”,‘BN_3’)雷卢耶(“姓名”,“relu_3”)附加层（2，“姓名”,“添加”)平均池2层（2，“大步走”2.“姓名”,“avpool”)完全连接层（10，“姓名”,“fc”)软MaxLayer(“姓名”,“softmax”)分类层(“姓名”,“类输出”)];
从图层阵列创建图层图。分层图连接中的所有层层按顺序绘制图层图。
lgraph=层图（层）；图形绘图（lgraph）
创建1×1卷积层并将其添加到层图中。指定卷积过滤器的数量和跨距，以便激活大小与层的激活大小匹配“relu_3”层。这种安排使添加层能够添加“skipConv”和“relu_3”图层。要检查图层是否在图形中，请绘制图层图。
skipConv=卷积2dlayer（1,32，“大步走”2.“姓名”,“skipConv”)；lgraph=addLayers（lgraph，skipConv）；图形绘制（lgraph）
从中创建快捷方式连接“relu_1”分层“添加”层。由于在创建添加层时指定了两个作为输入数，因此该层有两个名为'在1'和“in2”这个“relu_3”层已连接到'在1'输入。连接“relu_1”分层“skipConv”层与层“skipConv”分层“in2”报告的输入“添加”层。加法层现在对“relu_3”和“skipConv”图层。要检查图层是否正确连接，请绘制图层图。
lgraph=连接层（lgraph，“relu_1”,“skipConv”); lgraph=连接层（lgraph，“skipConv”,“添加/in2”)图形图（LGRAPHE）；
加载训练和验证数据，该数据由28×28的数字灰度图像组成。
[XTrain，YTrain]=数字训练4daraydata；[XValidation，YValidation]=数字训练4daraydata；
指定培训选项并培训网络。列车网络每年使用验证数据验证网络验证频率迭代。
选项=培训选项(“sgdm”,...“MaxEpochs”8....“洗牌”,“每个时代”,...“验证数据”，{XValidation，YValidation}，...“验证频率”,30,...“冗长”错误的...“情节”,“培训进度”); net=列车网络（XTrain、YTrain、lgraph、选项）；
显示经过训练的网络的属性。网络是一个达格网络对象
网
net=DAG网络，具有以下属性：层：[16×1 nnet.cnn.layer.layer]连接：[16×2表]输入名称：{'input'}输出名称：{'classOutput'}
对验证图像进行分类并计算精度。网络非常准确。
YPredicted=分类（净、XValidation）；准确度=平均值（预测=验证）
精度=0.9930
扩展能力
在R2017b中引入
您还可以从以下列表中选择网站：
