SeriesNetwork
深度学习系列网络
描述
系列网络是一种用于深度学习的神经网络，它的层次依次排列。它有一个输入层和一个输出层。
创建
有几种方法可以创建SeriesNetwork对象:
使用加载预先训练的网络
alexnet，darknet19，vgg16,或vgg19．示例请参见负载预训练的AlexNet卷积神经网络．训练或微调网络使用
trainNetwork．示例请参见图像分类训练网络．从TensorFlow™-Keras、Caffe或ONNX™(开放神经网络交换)模型格式中导入预训练的网络。
对于Keras模型，使用
importKerasNetwork．示例请参见导入和绘制Keras网络．对于Caffe模型，使用
importCaffeNetwork．示例请参见进口咖啡网络．对于ONNX型号，使用
importONNXNetwork．示例请参见导入ONNX网络为DAGNetwork．
从预先训练的层集合一个深度学习网络使用
assembleNetwork函数。
属性
对象的功能
激活 |
计算深度学习网络层激活 |
分类 |
利用训练过的深度学习神经网络对数据进行分类 |
预测 |
使用训练过的深度学习神经网络预测响应 |
predictAndUpdateState |
使用训练过的循环神经网络预测响应并更新网络状态 |
classifyAndUpdateState |
使用训练过的循环神经网络对数据进行分类并更新网络状态 |
resetState |
重置神经网络状态参数 |
情节 |
图神经网络结构 |
例子
负载预训练的AlexNet卷积神经网络
加载一个预先训练的AlexNet卷积神经网络，并检查层和类。
加载预先训练的AlexNet网络使用alexnet．输出网是一个SeriesNetwork对象。
网= alexnet
图层:[25×1 nnet. cn.layer .layer]
使用层属性，查看网络架构。该网络由25层组成。有8个具有可学习权值的层:5个卷积层和3个完全连接层。
网层
带有图层的图层数组:227 x227x3数据的图像输入图像的zerocenter正常化2 conv1卷积96年11 x11x3旋转步[4 4]和填充[0 0 0 0]3‘relu1 ReLU ReLU 4 norm1的横通道正常化横通道正常化与5频道/元素5“pool1”马克斯池3 x3马克斯池步(2 - 2)和填充[0 0 0 0]6“conv2”分组卷积2组128 5 x5x48旋转步[1]和填充(2 2 2 2)7的relu2 ReLU ReLU 8 norm2交叉道标准化交叉道正常化与5频道/元素9“pool2”马克斯池3 x3马克斯池步[2 2]和填充[0 0 0 0]10 conv3卷积384 3 x3x256旋转步[1]和填充[1 1 1 1]11的relu3 ReLU ReLU 12“conv4”分组卷积2组192 3 x3x192旋转步[1]和填充[1 1 1 1]13的relu4 ReLU ReLU 14“conv5”分组卷积2组128 3 x3x192旋转步[1]和填充(1 1 1)15'relu5' ReLU ReLU 16 'pool5' Max Pooling 3x3 Max Pooling with stride [2 2] and padding [0 000] 17 'fc6'全连接4096全连接层18 'relu6' ReLU ReLU 19 'drop6' Dropout 50% Dropout 20 'fc7'全连接4096全连接层21 'relu7' ReLU ReLU 22 'drop7' Dropout 50% Dropout 23 'fc8'全连接1000全连接层24 'prob' Softmax Softmax 25 'output'分类输出crossentropyex与'tench'和999其他类
可以查看网络学习到的类的名称类属性的分类输出层(最后一层)。通过选择前10个元素来查看前10个类。
net.Layers(结束). class (1:10)
ans =10×1分类数组Tench金鱼大白鲨虎鲨锤头鲨电鳐黄貂鱼公鸡母鸡鸵鸟
从Caffe网络导入图层
指定示例文件“digitsnet.prototxt”进口。
protofile =“digitsnet.prototxt”；
导入网络层。
层= importCaffeLayers (protofile)
Layer array with layers: 1' testdata' Image Input 28x28x1 images 2' conv1' Convolution 20 5x5x1 convolutions with stride [1 1] and padding [0 0] 3 'relu1' ReLU ReLU 4 'pool1' Max Pooling 2x2 Max Pooling with stride [2 2] and padding [0 0] 5 'ip1' full Connected 10 full Connected Layer 6 'loss' Softmax Softmax 7 'output' Classification output crossentropyex with 'class1'， 'class2'， and 8 other classes
图像分类训练网络
将数据加载为ImageDatastore对象。
digitDatasetPath = fullfile (matlabroot,“工具箱”，“nnet”，.．.“nndemos”，“nndatasets”，“DigitDataset”）;imd = imageDatastore (digitDatasetPath,.．.“IncludeSubfolders”,真的,.．.“LabelSource”，“foldernames”）;
该数据存储包含10,000个合成的数字图像，从0到9。这些图像是通过对用不同字体创建的数字图像进行随机转换而生成的。每张数字图像是28 × 28像素。每个类别的数据存储包含相同数量的图像。
显示数据存储中的一些图像。
figure numImages = 10000;烫= randperm (numImages 20);为I = 1:20 subplot(4,5, I);imshow (imds.Files{烫发(i)});drawnow;结束
划分数据存储，使训练集中的每个类别都有750个图像，而测试集中有来自每个标签的剩余图像。
numTrainingFiles = 750;[imdsTrain, imdsTest] = splitEachLabel (imd, numTrainingFiles“随机”）;
splitEachLabel分割图像文件digitData到两个新的数据存储中，imdsTrain而且imdsTest．
定义卷积神经网络体系结构。
层= [.．.imageInputLayer([28 28 1]) convolution2dLayer(5,20) reluLayer maxPooling2dLayer(2，“步”2) fullyConnectedLayer(10) softmaxLayer classificationLayer];
将选项设置为带有动量的随机梯度下降的默认设置。设置最大课时数为20，以初始学习率0.0001开始训练。
选择= trainingOptions (“个”，.．.“MaxEpochs”, 20岁,.．.“InitialLearnRate”1的军医,.．.“详细”假的,.．.“阴谋”，“训练进步”）;
培训网络。
网= trainNetwork (imdsTrain层,选项);
在没有用于训练网络的测试集中运行训练过的网络，并预测图像标签(数字)。
YPred =分类(净,imdsTest);欧美= imdsTest.Labels;
计算的准确性。准确率是测试数据中与分类匹配的真实标签的数量之比分类到测试数据中的图像数量。
精度= sum(YPred == YTest)/numel(YTest)
精度= 0.9408
扩展功能
版本历史
介绍了R2016a
您也可以从以下列表中选择网站: