Main Content

このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。

analyzeNetwork

深層学習ネットワーク アーキテクチャの解析

ページ内をすべて折りたたむ

構文

analyzeNetwork(net)
analyzeNetwork(layers)
analyzeNetwork(lgraph)
analyzeNetwork(dlnet)
analyzeNetwork(lgraph,'TargetUsage',target)

説明

analyzeNetwork を使用して、ネットワークのアーキテクチャを可視化して把握し、アーキテクチャが正しく定義されていることを確認して、学習前に問題を検出します。analyzeNetwork が検出する問題には、層の欠損または未結合、層入力のサイズの誤り、層の入力数の誤り、無効なグラフ構造などがあります。

例

analyzeNetwork(net) は SeriesNetwork または DAGNetwork オブジェクトの net を解析します。関数は、ネットワーク アーキテクチャを対話的に可視化し、ネットワーク層についての詳細情報を提供します。層の情報には、層の活性化と学習可能なパラメーターのサイズ、学習可能なパラメーターの総数、および再帰層の状態パラメーターのサイズが含まれます。

ヒント

ネットワークの可視化、解析、および学習を対話的に行うには、deepNetworkDesigner(net) を使用します。詳細については、ディープ ネットワーク デザイナーを参照してください。

analyzeNetwork(layers) は、層配列 layers を解析し、trainNetwork ワークフローのエラーと問題も検出します。

例

analyzeNetwork(lgraph) は、層グラフ lgraph を解析し、trainNetwork ワークフローのエラーと問題も検出します。

analyzeNetwork(dlnet) は、カスタム学習ループ ワークフローの dlnetwork オブジェクトを解析します。未接続の入力があるネットワークはサポートされていません。

例

analyzeNetwork(lgraph,'TargetUsage',target) は、指定されたターゲット ワークフローの層グラフ lgraph を解析します。この構文は、dlnetwork ワークフローの層グラフを解析するときに使用します。

例

すべて折りたたむ

ライブ スクリプトを開く

事前学習済み GoogLeNet 畳み込みニューラル ネットワークを読み込みます。 

net = googlenet
net = 
  DAGNetwork with properties:

         Layers: [144×1 nnet.cnn.layer.Layer]
    Connections: [170×2 table]

ネットワークを解析します。analyzeNetwork は、ネットワーク アーキテクチャの対話型プロット、およびネットワーク層についての情報が含まれる table を表示します。

左側のプロットを使用してネットワーク アーキテクチャを調べます。プロットで層を選択します。選択した層は、プロットと層の table で強調表示されます。

table には、層のプロパティ、層のタイプ、層の活性化と学習可能なパラメーターのサイズなど、層の情報が表示されます。層の活性化は、その層の出力です。

ネットワークのさらに深い層を選択します。深い層の活性化は、空間次元 (最初の 2 つの次元) が小さくなり、チャネルの次元 (最後の次元) が大きくなることに注目してください。畳み込みニューラル ネットワークについてこの構造を使用すると、空間分解能を下げながら、抽出されるイメージの特徴の数を徐々に増やすことができます。

層の table の右上隅にある矢印をクリックし、[学習可能の総数] を選択して、学習可能なパラメーターの総数を表示します。列の値で層の table を並べ替えるには、列の見出しにマウスを移動して、表示される矢印をクリックします。たとえば、学習可能なパラメーターの総数で層を並べ替えると、含まれるパラメーターが最も多い層を判別できます。

analyzeNetwork(net)

ライブ スクリプトを開く

ショートカット結合を使用してシンプルな畳み込みネットワークを作成します。ネットワークの主分岐を層配列として作成し、その層配列から層グラフを作成します。layerGraph は、layers のすべての層を順に結合します。

layers = [
    imageInputLayer([32 32 3],'Name','input')
    
    convolution2dLayer(5,16,'Padding','same','Name','conv_1')
    reluLayer('Name','relu_1')
    
    convolution2dLayer(3,16,'Padding','same','Stride',2,'Name','conv_2')
    reluLayer('Name','relu_2') 
    additionLayer(2,'Name','add1')
    
    convolution2dLayer(3,16,'Padding','same','Stride',2,'Name','conv_3')
    reluLayer('Name','relu_3') 
    additionLayer(3,'Name','add2')
    
    fullyConnectedLayer(10,'Name','fc')
    classificationLayer('Name','output')];

lgraph = layerGraph(layers);

ショートカット結合を作成します。ショートカット結合の 1 つには、単一の 1 x 1 畳み込み層 skipConv が含まれます。

skipConv = convolution2dLayer(1,16,'Stride',2,'Name','skipConv');
lgraph = addLayers(lgraph,skipConv);
lgraph = connectLayers(lgraph,'relu_1','add1/in2');
lgraph = connectLayers(lgraph,'add1','add2/in2');

ネットワーク アーキテクチャを解析します。analyzeNetwork によってネットワークの 4 つのエラーが検出されます。

analyzeNetwork(lgraph)

ネットワークのエラーを調べて修正します。この例では、次の問題が原因でエラーが発生しています。

  • クラス確率を出力するソフトマックス層は、分類層の前に配置されていなければなりません。output 分類層のエラーを修正するには、分類層の前にソフトマックス層を追加します。

  • skipConv 層が残りのネットワークに結合されていません。これは add1 層と add2 層のショートカット結合に含まれている必要があります。このエラーを修正するには、add1 を skipConv に結合し、skipConv を add2 に結合します。

  • add2 層の入力が 3 つになるように指定されていますが、この層の入力は 2 つしかありません。このエラーを修正するには、入力の数に 2 を指定します。

  • 加算層へのすべての入力のサイズは同じでなければなりませんが、add1 層にサイズが異なる 2 つの入力があります。conv_2 層の 'Stride' の値が 2 であるため、この層では最初の 2 つの次元 (空間次元) において係数 2 で活性化のダウンサンプリングが行われます。relu2 層からの入力のサイズを relu1 からの入力のサイズと同じになるように変更するには、conv_2 層の 'Stride' の値を 1 に設定してダウンサンプリングを削除します。

この例の開始時からの層グラフの構築にこれらの変更を適用し、新しい層グラフを作成します。

layers = [
    imageInputLayer([32 32 3],'Name','input')
    
    convolution2dLayer(5,16,'Padding','same','Name','conv_1')
    reluLayer('Name','relu_1')
    
    convolution2dLayer(3,16,'Padding','same','Stride',1,'Name','conv_2')
    reluLayer('Name','relu_2') 
    additionLayer(2,'Name','add1')
    
    convolution2dLayer(3,16,'Padding','same','Stride',2,'Name','conv_3')
    reluLayer('Name','relu_3') 
    additionLayer(2,'Name','add2')
    
    fullyConnectedLayer(10,'Name','fc')
    softmaxLayer('Name','softmax');
    classificationLayer('Name','output')];

lgraph = layerGraph(layers);

skipConv = convolution2dLayer(1,16,'Stride',2,'Name','skipConv');
lgraph = addLayers(lgraph,skipConv);
lgraph = connectLayers(lgraph,'relu_1','add1/in2');
lgraph = connectLayers(lgraph,'add1','skipConv');
lgraph = connectLayers(lgraph,'skipConv','add2/in2');

新しいアーキテクチャを解析します。新しいネットワークにはエラーが含まれず、学習の準備が整っています。

analyzeNetwork(lgraph)

ライブ スクリプトを開く

カスタム学習ループの層グラフを作成します。カスタム学習ループ ワークフローの場合、層グラフに出力層があってはなりません。

layers = [
    imageInputLayer([28 28 1],'Normalization','none','Name','input')
    convolution2dLayer(5, 20,'Name','conv1')
    batchNormalizationLayer('Name','bn1')
    reluLayer('Name','relu1')
    convolution2dLayer(3,20,'Padding',1,'Name','conv2')
    batchNormalizationLayer('Name','bn2')
    reluLayer('Name','relu2')
    convolution2dLayer(3, 20,'Padding', 1,'Name','conv3')
    batchNormalizationLayer('Name','bn3')
    reluLayer('Name','relu3')
    fullyConnectedLayer(10,'Name','fc')
    softmaxLayer('Name','softmax')];

lgraph = layerGraph(layers);

関数 analyzeNetwork を使用して層グラフを解析し、'TargetUsage' オプションを 'dlnetwork' に設定します。

analyzeNetwork(lgraph,'TargetUsage','dlnetwork')

関数の報告によれば、この層グラフには何の問題もありません。

入力引数

すべて折りたたむ

学習済みネットワーク。SeriesNetwork または DAGNetwork オブジェクトとして指定します。事前学習済みのネットワークをインポートする (たとえば、関数 googlenet を使用する)、または trainNetwork を使用して独自のネットワークに学習させることによって、学習済みネットワークを取得できます。

ネットワーク層。Layer 配列として指定します。

組み込まれている層の一覧については、深層学習層の一覧を参照してください。

層グラフ。LayerGraph オブジェクトとして指定します。層グラフを作成するには、layerGraph を使用します。

カスタム学習ループのネットワーク。dlnetwork オブジェクトとして指定します。

ターゲット ワークフロー。次のいずれかとして指定します。

  • 'trainNetwork' – 関数 trainNetwork で使用するために層グラフを解析します。たとえば、関数は、層グラフが出力層をもち、切り離された層出力がないことをチェックします。

  • 'dlnetwork' – dlnetwork オブジェクトで使用するために層グラフを解析します。たとえば、関数は、層グラフが出力層をもたないことをチェックします。

参考

| | | | | |

トピック

R2018a で導入

Deep Learning Toolbox ドキュメンテーション

サポート

MATLABで始めるディープラーニング

MATLABで始めるディープラーニング

ebookをダウンロードする