La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

layerGraph

Gráfica de capas de red de deep learning

Descripción

Una gráfica de capas especifica la arquitectura de una red de deep learning con una estructura de gráfica más compleja en la que las capas pueden tener entradas de diferentes capas y salidas a varias capas. Las redes que tienen esta estructura se llaman redes de gráfica acíclica directa (DAG). Después de crear un objeto layerGraph, puede usar las funciones de objeto para representar la gráfica y modificarla añadiendo, eliminando, conectando y desconectando capas. Para entrenar la red, use la gráfica de capa como entrada para la función trainNetwork o conviértala en un objeto dlnetwork y entrénela usando un bucle de entrenamiento personalizado.

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

arreglo Layer

Esta propiedad o parámetro es de solo lectura.

Capas de la red, especificadas como un arreglo Layer.

Connections — Conexiones de capa

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 las capas de entrada de la red

arreglo de celdas de vectores de caracteres

Esta propiedad o parámetro es de solo lectura.

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

Tipos de datos: cell

OutputNames — Nombres de las capas de salida de la red

arreglo de celdas

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

Tipos de datos: cell

Funciones del objeto

addLayers	Add layers to layer graph or network
removeLayers	Remove layers from layer graph or network
replaceLayer	Replace layer in layer graph or network
connectLayers	Connect layers in layer graph or network
disconnectLayers	Disconnect layers in layer graph or network
plot	Representar una arquitectura de red neuronal

Ejemplos

Añadir capas a una gráfica de capas

Cree una gráfica de capas vacía y un arreglo de capas. Añada las capas a la gráfica de capas y represente la gráfica. addLayers conecta las capas de forma secuencial.

lgraph = layerGraph;

layers = [
    imageInputLayer([32 32 3],'Name','input')  
    convolution2dLayer(3,16,'Padding','same','Name','conv_1')
    batchNormalizationLayer('Name','BN_1')
    reluLayer('Name','relu_1')];

lgraph = addLayers(lgraph,layers);
figure
plot(lgraph)

Crear una gráfica de capas a partir de un arreglo de capas

Cree un arreglo de capas.

layers = [
    imageInputLayer([28 28 1],'Name','input')  
    convolution2dLayer(3,16,'Padding','same','Name','conv_1')
    batchNormalizationLayer('Name','BN_1')
    reluLayer('Name','relu_1')];

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)

Extraer una gráfica de capas de una red DAG

Cargue una red SqueezeNet preentrenada. Puede usar esta red entrenada para fines de clasificación y predicción.

net = squeezenet;

Para modificar la estructura de la red, extraiga primero la estructura de la red DAG usando layerGraph. Después, puede usar las funciones de objeto de LayerGraph para modificar la arquitectura de la red.

lgraph = layerGraph(net)

lgraph = 
  LayerGraph with properties:

         Layers: [68x1 nnet.cnn.layer.Layer]
    Connections: [75x2 table]
     InputNames: {'data'}
    OutputNames: {'ClassificationLayer_predictions'}

Crear una red DAG simple

Cree una red gráfica acíclica dirigida (DAG) simple de deep learning. Entrene a la red para clasificar imágenes de dígitos. 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 en función de los elementos. 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);

Cargue los datos de entrenamiento y validación, que están formados por imágenes de dígitos de escala de grises de 28 por 28.

[XTrain,YTrain] = digitTrain4DArrayData;
[XValidation,YValidation] = digitTest4DArrayData;

Especifique las opciones de entrenamiento y entrene la red. trainNetwork valida la red usando los datos de validación cada ValidationFrequency iteraciones.

options = trainingOptions('sgdm', ...
    'MaxEpochs',8, ...
    'Shuffle','every-epoch', ...
    'ValidationData',{XValidation,YValidation}, ...
    'ValidationFrequency',30, ...
    'Verbose',false, ...
    'Plots','training-progress');
net = trainNetwork(XTrain,YTrain,lgraph,options);

Muestre las propiedades de la red entrenada. La red es un objeto DAGNetwork.

net

net = 
  DAGNetwork with properties:

         Layers: [16x1 nnet.cnn.layer.Layer]
    Connections: [16x2 table]
     InputNames: {'imageinput'}
    OutputNames: {'classoutput'}

Clasifique las imágenes de validación y calcule la precisión. La red es muy precisa.

YPredicted = classify(net,XValidation);
accuracy = mean(YPredicted == YValidation)

accuracy = 0.9934

Historial de versiones

Introducido en R2017b

Consulte también

trainNetwork | DAGNetwork | addLayers | removeLayers | connectLayers | disconnectLayers | plot | googlenet | resnet18 | resnet50 | resnet101 | inceptionresnetv2 | squeezenet | additionLayer | replaceLayer | depthConcatenationLayer | inceptionv3 | analyzeNetwork | assembleNetwork | Deep Network Designer

Temas

• Crear una red de deep learning sencilla para clasificación
• Train Residual Network for Image Classification
• Entrenar redes de deep learning para clasificar nuevas imágenes
• Deep Learning in MATLAB
• Redes neuronales profundas preentrenadas
• List of Deep Learning Layers

×

Abrir ejemplo

Tiene una versión modificada de este ejemplo. ¿Desea abrir este ejemplo con sus modificaciones?

No, sobrescribir la versión modificada Sí