Соедините слои в графике слоев
Создайте слой сложения с двумя входными параметрами и именем 'add_1'
.
add = additionLayer(2,'Name','add_1')
add = AdditionLayer with properties: Name: 'add_1' NumInputs: 2 InputNames: {'in1' 'in2'}
Создайте два слоя ReLU и соедините их со слоем сложения. Слой сложения суммирует выходные параметры от слоев ReLU.
relu_1 = reluLayer('Name','relu_1'); relu_2 = reluLayer('Name','relu_2'); lgraph = layerGraph; lgraph = addLayers(lgraph,relu_1); lgraph = addLayers(lgraph,relu_2); lgraph = addLayers(lgraph,add); lgraph = connectLayers(lgraph,'relu_1','add_1/in1'); lgraph = connectLayers(lgraph,'relu_2','add_1/in2'); plot(lgraph)
Создайте простую сеть направленного графа без петель (DAG) для глубокого обучения. Обучите сеть, чтобы классифицировать изображения цифр. Простая сеть в этом примере состоит из:
Основная ветвь 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 основную ветвь 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.
layers = [ imageInputLayer([28 28 1],'Name','input') convolution2dLayer(5,16,'Padding','same','Name','conv_1') batchNormalizationLayer('Name','BN_1') reluLayer('Name','relu_1') convolution2dLayer(3,32,'Padding','same','Stride',2,'Name','conv_2') batchNormalizationLayer('Name','BN_2') reluLayer('Name','relu_2') convolution2dLayer(3,32,'Padding','same','Name','conv_3') batchNormalizationLayer('Name','BN_3') reluLayer('Name','relu_3') additionLayer(2,'Name','add') averagePooling2dLayer(2,'Stride',2,'Name','avpool') fullyConnectedLayer(10,'Name','fc') softmaxLayer('Name','softmax') classificationLayer('Name','classOutput')];
Создайте график слоев из массива слоя. layerGraph
подключения все слои в layers
последовательно. Постройте график слоев.
lgraph = layerGraph(layers); figure plot(lgraph)
Создайте сверточный слой 1 на 1 и добавьте его в график слоев. Задайте количество сверточных фильтров и шага так, чтобы размер активации совпадал с размером активации 'relu_3'
слой. Это расположение позволяет слою сложения добавить выходные параметры 'skipConv'
и 'relu_3'
слои. Чтобы проверять, что слой находится в графике, постройте график слоев.
skipConv = convolution2dLayer(1,32,'Stride',2,'Name','skipConv'); lgraph = addLayers(lgraph,skipConv); figure plot(lgraph)
Создайте связь ярлыка из 'relu_1'
слой к 'add'
слой. 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'
. 'relu_3'
слой уже соединяется с 'in1'
входной параметр. Соедините 'relu_1'
слой к 'skipConv'
слой и 'skipConv'
слой к 'in2'
вход 'add'
слой. Слой сложения теперь суммирует выходные параметры 'relu_3'
и 'skipConv'
слои. Чтобы проверять, что слои соединяются правильно, постройте график слоев.
lgraph = connectLayers(lgraph,'relu_1','skipConv'); lgraph = connectLayers(lgraph,'skipConv','add/in2'); figure plot(lgraph);
Загрузите данные об обучении и валидации, которые состоят из 28 28 полутоновых изображений цифр.
[XTrain,YTrain] = digitTrain4DArrayData; [XValidation,YValidation] = digitTest4DArrayData;
Задайте опции обучения и обучите сеть. trainNetwork
проверяет сеть с помощью данных о валидации каждый ValidationFrequency
итерации.
options = trainingOptions('sgdm', ... 'MaxEpochs',8, ... 'Shuffle','every-epoch', ... 'ValidationData',{XValidation,YValidation}, ... 'ValidationFrequency',30, ... 'Verbose',false, ... 'Plots','training-progress'); net = trainNetwork(XTrain,YTrain,lgraph,options);
Отобразите свойства обучившего сеть. Сетью является DAGNetwork
объект.
net
net = DAGNetwork with properties: Layers: [16×1 nnet.cnn.layer.Layer] Connections: [16×2 table] InputNames: {'input'} OutputNames: {'classOutput'}
Классифицируйте изображения валидации и вычислите точность. Сеть очень точна.
YPredicted = classify(net,XValidation); accuracy = mean(YPredicted == YValidation)
accuracy = 0.9930
lgraph
— График слоевLayerGraph
объектГрафик слоев в виде LayerGraph
объект. Чтобы создать график слоев, использовать layerGraph
.
s
— Источник связиИсточник связи в виде вектора символов или строкового скаляра.
Если исходный слой имеет один выход, то s
имя слоя.
Если исходный слой имеет несколько выходных параметров, то s
имя слоя, сопровождаемое символом / и имя слоя выход: 'layerName/outputName'
.
Пример: 'conv1'
Пример: 'mpool/indices'
d
— Место назначения связиМесто назначения связи в виде вектора символов или строкового скаляра.
Если целевой слой имеет один вход, то d
имя слоя.
Если целевой слой имеет несколько входных параметров, то d
имя слоя, сопровождаемое символом / и имя входа слоя: 'layerName/inputName'
.
Пример: 'fc'
Пример: 'addlayer1/in2'
newlgraph
— Выведите график слоевLayerGraph
объектВыведите график слоев, возвращенный как LayerGraph
объект.
addLayers
| assembleNetwork
| disconnectLayers
| layerGraph
| plot
| removeLayers
| replaceLayer
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.