Создайте простую сеть направленного графа без петель (DAG) для глубокого обучения. Обучите сеть, чтобы классифицировать изображения цифр. Простая сеть в этом примере состоит из:
Основное ответвление со слоями, соединенными последовательно.
Связь ярлыка, содержащая один сверточный слой 1 на 1. Связи ярлыка позволяют градиентам параметра течь более легко от выходного слоя до более ранних слоев сети.
Создайте основное ответвление сети как массив слоя. Слой сложения суммирует несколько поэлементных входных параметров. Задайте количество входных параметров для слоя сложения, чтобы суммировать. Все слои должны иметь имена, и все имена должны быть уникальными.
Создайте график слоя из массива слоя. layerGraph
соединяет все слои в layers
последовательно. Постройте график слоя.
Создайте сверточный слой 1 на 1 и добавьте его в график слоя. Задайте количество сверточных фильтров и шага так, чтобы размер активации совпадал с размером активации слоя 'relu_3'
. Это расположение позволяет слою сложения добавить выходные параметры слоев 'skipConv'
и 'relu_3'
. Чтобы проверять, что слой находится в графике, постройте график слоя.
Создайте связь ярлыка от слоя 'relu_1'
до слоя 'add'
. Поскольку вы задали два как количество входных параметров к слою сложения, когда вы создали его, слой имеет два входных параметров под названием 'in1'
и 'in2'
. Слой 'relu_3'
уже соединяется с входом 'in1'
. Соедините слой 'relu_1'
со слоем 'skipConv'
и слоем 'skipConv'
к входу 'in2'
слоя 'add'
. Слой сложения теперь суммирует выходные параметры слоев 'relu_3'
и 'skipConv'
. Чтобы проверять, что слои соединяются правильно, постройте график слоя.
Загрузите данные об обучении и валидации, которые состоят из 28 28 полутоновых изображений цифр.
Задайте опции обучения и обучите сеть. trainNetwork
подтверждает сеть с помощью данных о валидации каждый ValidationFrequency
итерации.
Отобразите свойства обучившего сеть. Сеть является объектом DAGNetwork
.
net =
DAGNetwork with properties:
Layers: [16×1 nnet.cnn.layer.Layer]
Connections: [16×2 table]
Классифицируйте изображения валидации и вычислите точность. Сеть очень точна.