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。

connectLayers

層グラフまたはネットワークの層の結合

構文

lgraphUpdated = connectLayers(lgraph,s,d)

netUpdated = connectLayers(net,s,d)

説明

lgraphUpdated = connectLayers(lgraph,s,d) は、結合元の層 s を層グラフ lgraph に含まれる結合先の層 d に結合します。更新された層グラフ lgraphUpdated には lgraph と同じ層が含まれ、結合が新しく含まれます。

netUpdated = connectLayers(net,s,d) は、結合元の層 s を dlnetwork オブジェクト net に含まれる結合先の層 d に結合します。更新されたネットワーク netUpdated には net と同じ層が含まれ、結合が新しく含まれます。

例

加算層の作成と結合

2 つの入力があり、名前が 'add_1' である加算層を作成します。

add = additionLayer(2,'Name','add_1')

add = 
  AdditionLayer with properties:

          Name: 'add_1'
     NumInputs: 2
    InputNames: {'in1'  'in2'}

2 つの ReLU 層を作成し、これらの層を加算層に結合します。加算層で ReLU 層の出力が加算されます。

relu_1 = reluLayer('Name','relu_1');
relu_2 = reluLayer('Name','relu_2');

lgraph = layerGraph;
lgraph = addLayers(lgraph,relu_1);
lgraph = addLayers(lgraph,relu_2);
lgraph = addLayers(lgraph,add);

lgraph = connectLayers(lgraph,'relu_1','add_1/in1');
lgraph = connectLayers(lgraph,'relu_2','add_1/in2');

plot(lgraph)

シンプルな DAG ネットワークの作成

深層学習用のシンプルな有向非循環グラフ (DAG) ネットワークを作成します。数字のイメージを分類するようネットワークに学習させます。この例のシンプルなネットワークは、以下から構成されます。

• 逐次結合層による主分岐。

• 単一の 1 x 1 畳み込み層を含む "ショートカット結合"。ショートカット結合は、パラメーターの勾配がネットワークの出力層からより初期の層へとよりスムーズに流れるようにします。

ネットワークの主分岐を層配列として作成します。加算層では複数の入力が要素単位で合計されます。加算層で合計する入力数を指定します。後で簡単に結合を追加できるように、最初の ReLU 層と加算層の名前を指定します。

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];

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。層グラフをプロットします。

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

1 x 1 畳み込み層を作成し、層グラフに追加します。活性化のサイズが 3 番目の ReLU 層の活性化のサイズと一致するように、畳み込みフィルターの数とストライドを指定します。この方法により、加算層で 3 番目の ReLU 層と 1 x 1 畳み込み層の出力を加算できます。層がグラフに含まれることを確認するには、層グラフをプロットします。

skipConv = convolution2dLayer(1,32,'Stride',2,'Name','skipConv');
lgraph = addLayers(lgraph,skipConv);
figure
plot(lgraph)

'relu_1' 層から 'add' 層へのショートカット結合を作成します。層の作成時に加算層への入力数を 2 に指定しているため、層には 'in1' および 'in2' という名前の 2 つの入力があります。3 番目の ReLU 層は既に 'in1' 入力に結合されています。'relu_1' 層を 'skipConv' 層に結合し、'skipConv' 層を 'add' 層の 'in2' 入力に結合します。ここで加算層は 3 番目の ReLU 層と 'skipConv' 層の出力を合計します。層が正しく結合されていることを確認するには、層グラフをプロットします。

lgraph = connectLayers(lgraph,'relu_1','skipConv');
lgraph = connectLayers(lgraph,'skipConv','add/in2');
figure
plot(lgraph);

数字の 28 x 28 のグレースケール イメージで構成される学習データと検証データを読み込みます。

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

学習オプションを指定してネットワークに学習させます。trainNetwork は、ValidationFrequency 回の反復ごとに検証データを使用してネットワークを検証します。

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

学習済みネットワークのプロパティを表示します。ネットワークは DAGNetwork オブジェクトになります。

net

net = 
  DAGNetwork with properties:

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

検証イメージを分類し、精度を計算します。ネットワークは非常に正確になっています。

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

accuracy = 0.9934

入力引数

lgraph — 層グラフ

LayerGraph オブジェクト

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。

net — ニューラル ネットワーク

dlnetwork オブジェクト

ニューラル ネットワーク。dlnetwork オブジェクトとして指定します。

s — 結合元

文字ベクトル | string スカラー

結合元。文字ベクトルまたは string スカラーとして指定します。

• 結合元の層に 1 つの出力がある場合、s は層の名前です。

• 結合元の層に複数の出力がある場合、s は層の名前で、その後に文字 /、さらに層出力の名前が続きます ('layerName/outputName')。

例: 'conv1'

例: 'mpool/indices'

d — 結合先

文字ベクトル | string スカラー

結合先。文字ベクトルまたは string スカラーとして指定します。

• 結合先の層に 1 つの入力がある場合、d は層の名前です。

• 結合先の層に複数の入力がある場合、d は層の名前で、その後に文字 /、さらに層入力の名前が続きます ('layerName/inputName')。

例: 'fc'

例: 'addlayer1/in2'

出力引数

lgraphUpdated — 更新された層グラフ

LayerGraph オブジェクト

更新された層グラフ。LayerGraph オブジェクトとして返されます。

netUpdated — 更新されたネットワーク

dlnetwork オブジェクト

更新されたネットワーク。未初期化の dlnetwork オブジェクトとして返されます。

dlnetwork オブジェクトの学習可能なパラメーターを初期化するには、関数 initialize を使用します。

関数 connectLayers は量子化情報を保持しません。入力ネットワークが量子化されたネットワークであった場合でも、出力ネットワークに量子化情報は含まれません。

バージョン履歴

R2017b で導入

参考

layerGraph | addLayers | removeLayers | replaceLayer | disconnectLayers | plot | assembleNetwork | dlnetwork

トピック

• 新しいイメージを分類するための深層学習ネットワークの学習
• 複数の出力をもつネットワークの学習
• 深層学習を使用したビデオの分類

×

例を開く

この例の変更されたバージョンがあります。編集された方の例を開きますか?

いいえ、変更されたバージョンを上書きします。 はい