layerGraph

(No recomendado) Gráfica de capas de red de deep learning

Los objetos LayerGraph no están recomendados. En su lugar, use los objetos dlnetwork. Para obtener más información, consulte Historial de versiones.

Descripción

Una gráfica de capas especifica la arquitectura de una red neuronal como una gráfica acíclica dirigida (DAG) de capas de deep learning. Las capas pueden tener varias entradas y varias salidas.

Creación

Sintaxis

lgraph = layerGraph

lgraph = layerGraph(layers)

lgraph = layerGraph(net)

Descripción

lgraph = layerGraph crea una gráfica de capas vacía que no contiene capas. Puede añadir capas a la gráfica vacía usando la función addLayers.

lgraph = layerGraph(layers) crea una gráfica de capas a partir de un arreglo de capas de red, y establece la propiedad Layers. Las capas de lgraph se conectan en el mismo orden secuencial de layers.

lgraph = layerGraph(net) extrae la gráfica de capas de un objeto SeriesNetwork, DAGNetwork o dlnetwork. Por ejemplo, puede extraer la gráfica de capas de una red preentrenada para realizar la transferencia del aprendizaje.

Argumentos de entrada

net — Red de deep learning

objeto SeriesNetwork | objeto DAGNetwork | objeto dlnetwork

Red de deep learning, especificada como un objeto SeriesNetwork, DAGNetwork o dlnetwork.

Propiedades

Layers — Capas de red

Solo lectura: arreglo Layer

Esta propiedad o parámetro es de solo lectura.

Capas de la red, especificadas como un arreglo Layer.

Connections — Conexiones de capa

Solo lectura: tabla

Esta propiedad o parámetro es de solo lectura.

Conexiones de la capa, especificadas como una tabla con dos columnas.

Cada fila de la tabla representa una conexión en la gráfica de capas. La primera columna, Source, especifica el origen de cada conexión. La segunda columna, Destination, especifica el destino de cada conexión. Las fuentes y los destinos de la conexión pueden ser nombres de capa o tener la forma "layerName/IOName", donde "IOName" es el nombre de la entrada o la salida de la capa.

Tipos de datos: table

InputNames — Nombres de capas de entrada

Solo lectura: arreglo de celdas de vectores de caracteres

Esta propiedad o parámetro es de solo lectura.

Nombres de las capas de entrada, especificados como un arreglo de celdas de vectores de caracteres.

Tipos de datos: cell

OutputNames — Nombres de capas de salida

Solo lectura: arreglo de celdas

Esta propiedad o parámetro es de solo lectura.

Nombres de las capas de salida, especificados como un arreglo de celdas de vectores de caracteres.

Tipos de datos: cell

Funciones del objeto

addLayers	Añadir capas a una red neuronal
removeLayers	Eliminar capas de una red neuronal
replaceLayer	Replace layer in neural network
connectLayers	Conectar capas en una red neuronal
disconnectLayers	Desconectar capas en una red neuronal
plot	Representar una arquitectura de red neuronal

Ejemplos

Crear una gráfica de capas

Cree una gráfica de capas simple de deep learning.

La red simple de este ejemplo está compuesta por lo siguiente:

• Una rama principal con capas conectadas de forma secuencial.

• Una conexión de atajo que contiene una sola capa convolucional de 1 por 1. Las conexiones de atajo permiten que los gradientes de parámetros fluyan con mayor facilidad desde la capa de salida a las primeras capas de la red.

Cree la rama principal de la red como un arreglo de capas. La capa de suma añade varias entradas elemento por elemento. Especifique el número de entradas que debe sumar la capa de suma. Para añadir conexiones con facilidad más tarde, especifique los nombres de la primera capa ReLU y de la capa de suma.

layers = [
    imageInputLayer([28 28 1])
    
    convolution2dLayer(5,16,'Padding','same')
    batchNormalizationLayer
    reluLayer('Name','relu_1')
    
    convolution2dLayer(3,32,'Padding','same','Stride',2)
    batchNormalizationLayer
    reluLayer
    convolution2dLayer(3,32,'Padding','same')
    batchNormalizationLayer
    reluLayer
    
    additionLayer(2,'Name','add')
    
    averagePooling2dLayer(2,'Stride',2)
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];

Cree una gráfica de capas a partir del arreglo de capas. layerGraph conecta todas las capas de layers secuencialmente. Represente la gráfica de capas.

lgraph = layerGraph(layers);
figure
plot(lgraph)

Cree la capa convolucional de 1 por 1 y añádala a la gráfica de capas. Especifique el número de filtros convolucionales y el tramo, para que el tamaño de activación coincida con el tamaño de activación de la tercera capa ReLU. Este ajuste permite que la capa de suma añada las salidas de la tercera capa ReLU y de la capa convolucional de 1 por 1. Para comprobar que la capa se encuentra en la gráfica, represente la gráfica de capas.

skipConv = convolution2dLayer(1,32,'Stride',2,'Name','skipConv');
lgraph = addLayers(lgraph,skipConv);
figure
plot(lgraph)

Cree la conexión de atajo desde la capa 'relu_1' a la capa 'add'. Dado que especificó 2 como el número de entradas de la capa de suma durante su creación, la capa tiene dos entradas llamadas 'in1' y 'in2'. La tercera capa ReLU ya está conectada a la entrada 'in1'. Conecte la capa 'relu_1' a la capa 'skipConv', y la capa 'skipConv' a la entrada 'in2' de la capa 'add'. Ahora, la capa de suma sumará las salidas de la tercera capa ReLU y de la capa 'skipConv'. Para comprobar que las capas se han conectado correctamente, represente la gráfica de capas.

lgraph = connectLayers(lgraph,'relu_1','skipConv');
lgraph = connectLayers(lgraph,'skipConv','add/in2');
figure
plot(lgraph);

Limitaciones

• Los objetos de gráfica de capas no contienen información de discretización. Si se extrae la gráfica de capas de una red discretizada y, luego, se vuelve a ensamblar la red empleando assembleNetwork o dlnetwork, se elimina información de discretización de la red.

Historial de versiones

Introducido en R2017b

R2024a: No recomendado

A partir de la versión R2024a, no se recomienda usar objetos LayerGraph; en su lugar, use objetos dlnetwork.

No está previsto eliminar el soporte para los objetos LayerGraph. Sin embargo, en su lugar se recomiendan los objetos dlnetwork, que tienen estas ventajas:

• Los objetos dlnetwork son un tipo de datos unificado que admite la creación de redes, la predicción, el entrenamiento integrado, la visualización, la compresión, la verificación y los bucles de entrenamiento personalizados.

• Los objetos dlnetwork admiten una gama más amplia de arquitecturas de red que puede crear o importar desde plataformas externas.

• La función trainnet admite objetos dlnetwork, lo que le permite especificar fácilmente funciones de pérdida. Puede seleccionar entre funciones de pérdida integradas o especificar una función de pérdida personalizada.

• Entrenar y predecir con los objetos dlnetwork suele ser más rápido que los flujos de trabajo LayerGraph y trainNetwork.

La mayoría de las funciones que admiten objetos LayerGraph también admiten objetos dlnetwork. Esta tabla muestra algunos usos habituales de los objetos LayerGraph y cómo actualizar el código para usar funciones de objeto dlnetwork en su lugar.

No recomendado	Recomendado
lgraph = layerGraph;	net = dlnetwork;
lgraph = layerGraph(layers);	net = dlnetwork(layers,Initialize=false);
lgraph = layerGraph(net);	net = dag2dlnetwork(net);
lgraph = addLayers(lgraph,layers);	net = addLayers(net,layers);
lgraph = removeLayers(lgraph,layerNames);	net = removeLayers(net,layerNames);
lgraph = replaceLayer(lgraph,layerName,layers);	net = replaceLayer(net,layerName,layers);
lgraph = connectLayers(lgraph,s,d);	net = connectLayers(net,s,d);
lgraph = disconnectLayers(lgraph,s,d);	net = disconnectLayers(net,s,d);
plot(lgraph);	plot(net);

Para entrenar una red neuronal especificada como un objeto dlnetwork, utilice la función trainnet.

En un objeto LayerGraph, en lugar de utilizar una capa de salida, especifique la función de pérdida usando el argumento de función de pérdida de la función trainnet.

Consulte también

imagePretrainedNetwork | dlnetwork | trainingOptions | trainnet | dag2dlnetwork | addLayers | removeLayers | connectLayers | disconnectLayers | plot | additionLayer | replaceLayer | depthConcatenationLayer | analyzeNetwork | Deep Network Designer

Temas

• Crear una red neuronal de deep learning sencilla para clasificación
• Entrenar una red residual para clasificar imágenes
• Volver a entrenar redes neuronales para clasificar nuevas imágenes
• Deep learning en MATLAB
• Redes neuronales profundas preentrenadas
• Lista de capas de deep learning