主要内容

Dagnetwork.

针对深度学习的针对非循环图（DAG）网络

展开所有页面

描述

DAG网络是一种用于深度学习的神经网络，其层排列为有向无环图。一个DAG网络可以有一个更复杂的架构，在这个架构中，各层有来自多个层的输入和向多个层的输出。

创建

有几种方法可以创造一个Dagnetwork.对象:

笔记

要了解其他预先训练过的网络，请看预先训练的深度神经网络．

特性

展开全部

此属性是只读的。

网络层，指定为层大批。

此属性是只读的。

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，指定每个连接的目标。连接源和目的地是层名称或具有表单'layername / ioname',在那里“IOName”是输入或输出的图层的名称。

数据类型：表格

此属性是只读的。

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

对象功能

激活 计算深度学习网络层激活
分类 使用培训的深度学习神经网络对数据进行分类
预测 使用培训的深度学习神经网络预测响应
阴谋 绘制神经网络层图

例子

全部折叠

打开生活的脚本

为深度学习创建一个简单的有向非循环图（DAG）网络。培训网络以分类数字图像。此示例中的简单网络包括：

  • 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。要稍后轻松添加连接，请为第一个Relu层和添加层指定名称。

图层= [imageInputlayer（[28 28 1]）卷积2dlayer（5,16，“填充”那“相同”) batchNormalizationLayer reluLayer ('姓名'那'relu_1'）卷积2dlayer（3,32，“填充”那“相同”那'走吧'，2）BatchnormalizationLayer Rufulayer卷积2dlayer（3,32，“填充”那“相同”）BatchnormalizationLayer Rufulayer附加层（2，'姓名'那'添加'）普通Pooling2dlayer（2，'走吧'，2）全连接列（10）SoftmaxLayer分类层];

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

Lgraph = LayerGraph（层）;图绘图（LGROP）

图包含轴对象。轴对象包含Type Graphplot的对象。

创建1乘1的卷积层，并将其添加到层图中。指定卷积滤波器的数量和步幅，使激活大小与第三个ReLU层的激活大小匹配。这种安排使添加层能够添加第三个ReLU层和1乘1卷积层的输出。要检查层是否在图中，绘制层图。

Skipconv = Convolution2Dlayer（1,32，'走吧'2,'姓名'那'skipconv'）;Lgraph = Addlayers（LAPHAGH，SKIPCONV）;图绘图（LGROP）

图包含轴对象。轴对象包含Type Graphplot的对象。

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'in1'和'in2'．第三recu层已经连接到'in1'输入。连接'relu_1'层到了'skipconv'层和'skipconv'层到了'in2'输入的输入'添加'层。加法层现在将第三个ReLU层的输出和'skipconv'层。要检查图层是否正确连接，请绘制图层图。

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

图包含轴对象。轴对象包含Type Graphplot的对象。

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] = dimittest4darraydata;

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“every-epoch”那......“ValidationData”{XValidation, YValidation},......“ValidationFrequency”30岁的......“详细”假的,......'plots'那'培训 - 进步'）;网= trainNetwork (XTrain YTrain、lgraph选项);

Figure Training Progress (01-Sep-2021 08:31:32)包含2个轴对象和另一个类型为uigridlayout的对象。axis对象1包含15个类型为patch, text, line的对象。axis对象2包含15个类型为patch, text, line的对象。

显示训练网络的属性。网络是一个Dagnetwork.对象。

净
net = DAGNetwork with properties: Layers: [16x1 net.cnn.layer. layer] Connections: [16x2 table] InputNames: {'imageinput'} 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= 0.9934

扩展能力

也可以看看

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

话题

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