最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。
analyzeNetwork
深層学習ネットワーク アーキテクチャの解析
構文
analyzeNetwork(layers)説明
analyzeNetwork( は、layers)layers によって指定された深層学習ネットワーク アーキテクチャを解析します。関数 analyzeNetwork は、ネットワーク アーキテクチャを対話的に可視化して表示し、ネットワークに関するエラーや問題を検出して、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。ネットワーク アナライザーを使用して、ネットワーク 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、層の欠損または切り離し、層入力のサイズの不一致や誤り、層の入力数の誤り、無効なグラフ構造などがあります。
例
学習済みネットワークの解析
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)
ネットワーク アーキテクチャのエラーの修正
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)
入力引数
参考
DAGNetwork | LayerGraph | SeriesNetwork | assembleNetwork | plot | trainNetwork | ディープ ネットワーク デザイナー
