matlab深度学习：DAGNetwork入门之旅

一、如何创建自己的网络？

DAG网络是用于深度学习的神经网络，其中的层为有向无环图。 DAG网络可以具有更复杂的体系结构，其中各层具有来自多层的输入和输出到多层的信息。 DAGNetwork对象具有单个输入层和单个输出层。

图层连接，指定为具有两列的表。每个表行代表层图中的一个连接。 第一列“源”指定每个连接的源。 第二列“目标”指定每个连接的目标。 连接源和目标可以是层名称，也可以是“ layerName / IOName”形式，其中“ IOName”是层输入或输出的名称。

下面是层和连接；

Object Functions

activations	Compute convolutional neural network layer activations
classify	Classify data using a trained deep learning neural network
predict	Predict responses using a trained deep learning neural network
plot	Plot neural network layer graph

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

% 添加一层卷积层 skipConv = convolution2dLayer(1,32,'Stride',2,'Name','skipConv'); lgraph = addLayers(lgraph,skipConv); figure plot(lgraph)

% 加法层将'relu_3'和'skipConv'层的输出求和。 lgraph = connectLayers(lgraph,'relu_1','skipConv'); lgraph = connectLayers(lgraph,'skipConv','add/in2'); figure plot(lgraph)

2、加载数据并训练网络

% 加载数据集；28×28的数字图像 [XTrain,YTrain] = digitTrain4DArrayData; [XValidation,YValidation] = digitTest4DArrayData; % 指定训练参数 options = trainingOptions('sgdm',...     'MaxEpochs',10,...     'Shuffle','every-epoch',...     'ValidationData',{XValidation,YValidation},...     'ValidationFrequency',30,...     'Verbose',false,...     'Plots','training-progress'); net = trainNetwork(XTrain,YTrain,lgraph,options);

 

% 训练集XTrain的激活 act5 = activations(net,XTrain,'fc','OutputAs','columns'); save('digitTrain_fc.mat','act5');

% 显示训练网络的参数 >>net net = DAGNetwork with properties: Layers: [16×1 nnet.cnn.layer.Layer] Connections: [16×2 table]

3、对验证图像进行分类并计算准确性

% 对验证集进行分类并计算准确度 YPredicted = classify(net,XValidation); accuracy = mean(YPredicted == YValidation); disp(accuracy);

输出结果准确率accuracy= 0.9976