使用matlab构建深度神经网络：layerGraph、dlnetwork、addLayers、removeLayers、replaceLayer、connectLayers、disconnectLa

部分分式

于 2025-03-31 05:53:01 发布

阅读量848

点赞数 18

文章标签： matlab dnn 开发语言

本文链接：https://blog.csdn.net/qq_46215223/article/details/146797881

版权

layerGraph 是 MATLAB 中用于构建、操作和可视化神经网络层结构的工具。它以图的形式表示深度学习网络，其中每个节点代表一个网络层，边则表示层之间的连接。layerGraph 主要用于设计具有多个输入和多个输出的网络，并支持层之间的复杂连接模式。

然而，从 R2024a 开始，layerGraph 对象已不再推荐使用，建议改用 dlnetwork 对象。尽管如此，layerGraph 仍然是一个非常有用的工具，尤其是在网络设计和层间连接时。

`layerGraph` 对象的主要特性

表示网络结构：layerGraph 对象将神经网络架构表示为有向无环图（DAG），每个节点（层）通过边（连接）与其他节点相连。它使得层之间的复杂连接结构变得更加直观和易于操作。
支持多个输入和输出：与常见的网络设计不同，layerGraph 允许您创建具有多个输入和多个输出的复杂网络架构。
层连接管理：您可以通过 connectLayers 和 disconnectLayers 等函数，灵活地连接和断开层之间的连接。这对于设计不同类型的网络结构（如残差网络、跳跃连接等）非常有用。

`layerGraph` 的常见操作

1. 创建 `layerGraph` 对象

您可以通过几种不同的方式创建 layerGraph 对象：

空的 layerGraph 对象：
```
lgraph = layerGraph;
```
这会创建一个空的层图对象，您可以逐步向其中添加层。

基于层数组创建 layerGraph：

layers = [
    imageInputLayer([28 28 1])
    convolution2dLayer(3,16)
    batchNormalizationLayer
    reluLayer
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer
];
lgraph = layerGraph(layers);

这样，您就根据一个层数组创建了一个完整的网络架构。

从已存在的网络创建 layerGraph：
```
lgraph = layerGraph(pretrainedNet);
```
如果您已经有一个训练好的网络（如 SeriesNetwork 或 DAGNetwork），可以从它中提取 layerGraph 对象。

2. 添加层

您可以使用 addLayers 函数向现有的 layerGraph 对象中添加新层：

newLayer = fullyConnectedLayer(100, 'Name', 'fc_new');
lgraph = addLayers(lgraph, newLayer);

3. 连接层

您可以使用 connectLayers 函数来连接层。在连接层时，您需要指定源层和目标层，或源层的输出名称和目标层的输入名称。

lgraph = connectLayers(lgraph, 'conv_1', 'fc_new');

4. 断开层连接

使用 disconnectLayers 函数可以断开两层之间的连接：

lgraph = disconnectLayers(lgraph, 'conv_1', 'fc_new');

5. 替换层

您可以通过 replaceLayer 函数替换层。例如，您可以用一个新的卷积层替换一个现有的卷积层。

newConvLayer = convolution2dLayer(5, 32, 'Padding', 'same');
lgraph = replaceLayer(lgraph, 'conv_1', newConvLayer);

6. 绘制网络图

您可以通过 plot 函数将 layerGraph 可视化，这样可以直观地查看网络的层次结构和层之间的连接关系。

plot(lgraph);

7. 网络连接示例：残差连接

一个常见的使用 layerGraph 的场景是构建具有残差连接的网络。残差连接可以有效地解决梯度消失和爆炸问题，尤其在深层网络中。以下是如何使用 layerGraph 创建一个带有残差连接的网络：

layers = [
    imageInputLayer([28 28 1])
    convolution2dLayer(3, 16, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    convolution2dLayer(3, 16, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    additionLayer(2, 'Name', 'add')
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer
];

lgraph = layerGraph(layers);

% 添加跳跃连接
lgraph = connectLayers(lgraph, 'relu_1', 'add/in1');
lgraph = connectLayers(lgraph, 'relu_3', 'add/in2');

% 绘制层图
figure;
plot(lgraph);

8. 使用 `dlnetwork` 进行训练

layerGraph 对象允许您设计网络架构，而 dlnetwork 对象则用于实现自定义训练循环。可以使用 dlnetwork 将网络图转换为一个可训练的网络，并执行训练。

net = dlnetwork(lgraph);

`layerGraph` 和 `dlnetwork` 对比

尽管 layerGraph 对象功能丰富，但 MATLAB 推荐使用 dlnetwork 对象，因为它提供了更高效的训练和推理功能，支持自定义训练循环、支持更多网络架构以及优化的计算性能。以下是两者的对比：

操作	`layerGraph`	`dlnetwork`
网络构建	通过层数组或已存在的网络创建层图	通过层数组或现有的网络对象创建
图形可视化	使用 `plot` 函数可视化层连接	使用 `plot` 可视化网络结构
自定义训练循环	不支持直接自定义训练循环	完全支持自定义训练循环
支持的网络架构	适用于较简单的架构	支持更复杂的网络架构，如动态图、LSTM等
训练和推理性能	适用于小型模型	针对大规模数据和复杂任务优化
量化支持	不支持量化	支持量化和训练时量化

总结

layerGraph 是一个非常有用的工具，可以帮助用户设计和操作深度学习网络的层级结构，特别适用于构建复杂的、具有多个输入输出的网络。它提供了丰富的功能，如添加层、连接层、替换层以及绘制网络架构。然而，MATLAB 已不推荐使用 layerGraph，而是推荐使用更为强大的 dlnetwork 对象，后者支持更多类型的网络架构、更高效的训练和推理过程。

`dlnetwork` 对象简介

dlnetwork 是 MATLAB 中的一个深度学习网络对象，用于指定神经网络的架构。它允许创建、训练和预测深度神经网络，并支持多种自定义功能。与传统的 LayerGraph 对象不同，dlnetwork 对象通过直接操作层的属性和连接提供更高的灵活性，并且不再依赖于图形化表示。自 MATLAB R2024a 起，推荐使用 dlnetwork 来替代 LayerGraph。

`dlnetwork` 对象的创建和用法

1. 创建 `dlnetwork` 对象

您可以通过以下几种方式创建 dlnetwork 对象：

创建空的 dlnetwork 对象：
```
net = dlnetwork;
```
这会创建一个没有任何层的空网络，适合从头开始构建网络。

根据层数组创建网络：

layers = [
    imageInputLayer([28 28 1])
    convolution2dLayer(5,16,Padding='same')
    batchNormalizationLayer
    reluLayer
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer
];
net = dlnetwork(layers);

使用层数组创建一个完整的网络，并自动初始化学习参数。

使用输入数据初始化：
```
X = rand(28,28,1,100);  % 示例输入数据
net = dlnetwork(layers, X);
```
通过示例输入数据（X）来初始化网络，自动计算学习参数的大小。
初始化标志：
```
net = dlnetwork(layers, Initialize=false);
```
创建一个空的网络，但不初始化学习参数，可以在后续阶段进行手动初始化。

2. `dlnetwork` 属性

dlnetwork 对象有多个重要属性，用于存储和管理网络的各个方面：

Layers：存储网络的层，类型为 Layer 数组。
Connections：存储层之间的连接，类型为表格，包含源层和目标层的对应关系。
Learnables：网络的学习参数，包括卷积核权重、全连接层权重等。
State：网络的状态参数，存储在表格中，包括用于保持中间状态的参数（例如 LSTM 层的隐藏状态和细胞状态）。
InputNames：网络输入的名称，用于定义多个输入的顺序。
OutputNames：网络输出的名称，用于定义多个输出的顺序。
Initialized：指示网络是否已初始化，初始化为 1 (true) 时，网络可以用于训练和推理。

3. 常见方法和函数

addLayers：向网络中添加新的层。

newLayer = convolution2dLayer(3, 64);
net = addLayers(net, newLayer);

connectLayers：连接两层之间的连接。

net = connectLayers(net, 'conv1', 'conv2');

removeLayers：从网络中移除某些层。
```
net = removeLayers(net, 'conv2');
```
initialize：初始化网络的学习参数。
```
net = initialize(net);
```
predict：用于推理和预测，通过前向传播计算网络的输出。
```
Y = predict(net, X);
```
forward：用于训练时的前向传播。
```
Y = forward(net, X);
```
resetState：重置网络中的状态参数（例如 LSTM 层的状态）。
```
net = resetState(net);
```

4. 自定义训练循环和优化

dlnetwork 支持自定义训练循环，可以通过 dlgradient 和 dlfeval 进行自动微分和损失计算。以下是一个基本的自定义训练循环示例：

% 训练数据
XTrain = rand(28,28,1,100);
YTrain = rand(10, 100);

% 自定义训练循环
for epoch = 1:numEpochs
    for i = 1:numMiniBatch
        % 获取当前小批量数据
        XBatch = XTrain(:,:,:,i);
        YBatch = YTrain(:,i);
        
        % 计算预测
        [Y, gradients] = dlfeval(@modelGradients, net, XBatch, YBatch);
        
        % 更新参数
        net = sgdmupdate(net, gradients);
    end
end

5. 复杂的神经网络设计

您可以创建复杂的多输入多输出网络，包含残差连接、并行路径等。

% 定义简单的网络层
layers = [
    imageInputLayer([28 28 1])
    convolution2dLayer(5, 16)
    batchNormalizationLayer
    reluLayer
    convolution2dLayer(3, 32)
    fullyConnectedLayer(10)
    softmaxLayer
];

% 创建网络
net = dlnetwork(layers);

% 添加并行路径
parallelLayer = [
    convolution2dLayer(1, 64)
    batchNormalizationLayer
    reluLayer
];
net = addLayers(net, parallelLayer);
net = connectLayers(net, 'relu_1', 'parallelConv');

6. 示例：构建神经网络

创建一个神经网络并添加多个分支：

% 定义输入层
layers = [
    imageInputLayer([28 28 1], Normalization="none")

    convolution2dLayer(5, 16, Padding="same")
    batchNormalizationLayer
    reluLayer

    convolution2dLayer(3, 32, Padding="same", Stride=2)
    batchNormalizationLayer
    reluLayer
    convolution2dLayer(3, 32, Padding="same")
    batchNormalizationLayer
    reluLayer

    additionLayer(2, Name="add")

    fullyConnectedLayer(10)
    softmaxLayer(Name="softmax")];

net = dlnetwork(layers);

% 添加并行路径
parallelLayers = [
    convolution2dLayer(1, 32, Stride=2, Name="conv_skip")
    batchNormalizationLayer
    reluLayer(Name="relu_skip")];

net = addLayers(net, parallelLayers);
net = connectLayers(net, "relu_1", "conv_skip");
net = connectLayers(net, "relu_skip", "add/in2");

% 可视化网络
figure
plot(net)

`dlnetwork` 和 `LayerGraph` 对比

特性	`dlnetwork`	`LayerGraph`
灵活性	高，适用于复杂架构和自定义训练循环	灵活性较低，适用于简单的网络设计和可视化
支持的网络架构	支持更多复杂架构，如并行路径、LSTM、GAN 等	主要用于简单的序列式网络，复杂架构较为困难
自定义训练循环	完全支持自定义训练循环	不支持自定义训练循环
层级图表示	不依赖图形化表示，直接操作网络层属性	提供图形化层图显示和层之间的连接
性能优化	支持 GPU 加速和高效的自定义优化流程	无 GPU 加速支持，主要依赖于传统训练流程

总结

dlnetwork 是 MATLAB 中用于表示和操作深度学习网络的核心对象，支持从零开始构建网络、进行自定义训练和优化循环、实现复杂网络结构等。它为深度学习任务提供了高度的灵活性，特别适合需要自定义功能和优化的应用场景。

`addLayers` 函数简介

addLayers 是 MATLAB 中用于向神经网络（尤其是 dlnetwork 对象）添加层的函数。通过使用该函数，您可以在已存在的网络中添加新的层。层被按顺序连接，并且它们的层名称必须唯一，不能与现有网络中的层名称重复。

函数语法

netUpdated = addLayers(net, layers)

net：当前的 dlnetwork 对象，包含已有的网络架构。
layers：一个 Layer 数组，包含要添加到网络中的新层。
netUpdated：更新后的 dlnetwork 对象，包含原始网络的所有层以及添加的层。

功能描述

addLayers 函数用于将一组新的网络层按顺序添加到现有的神经网络中。该函数确保新添加的层的名称唯一，并与现有网络层连接。添加的层不会改变现有网络中的任何层或连接，新的网络对象是原网络的更新版本。

示例

示例 1: 创建并扩展简单神经网络

创建一个空的 dlnetwork 对象并添加层：

net = dlnetwork;

layers = [
    imageInputLayer([32 32 3])  
    convolution2dLayer(3,16,Padding="same")
    batchNormalizationLayer
    reluLayer];

net = addLayers(net, layers);

绘制网络架构：

figure
plot(net)

示例 2: 从头开始构建双输出神经网络

定义网络架构并添加不同的层：

numClasses = 10;
numResponses = 1;

net = dlnetwork;

layers = [
    imageInputLayer([28 28 1],Normalization="none")
    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")
    fullyConnectedLayer(numClasses)
    softmaxLayer(Name="softmax")];

net = addLayers(net, layers);

添加跳过连接（skip connection）：

layers = [
    convolution2dLayer(1,32,Stride=2,Name="conv_skip")
    batchNormalizationLayer
    reluLayer(Name="relu_skip")];

net = addLayers(net, layers);
net = connectLayers(net, "relu_1", "conv_skip");
net = connectLayers(net, "relu_skip", "add/in2");

添加回归输出层：

layers = fullyConnectedLayer(numResponses, Name="fc_2");
net = addLayers(net, layers);
net = connectLayers(net, "add", "fc_2");

绘制完整的网络架构：

figure
plot(net)

重要注意事项

层名称唯一性：添加的层必须具有唯一的名称。如果 layers 中的层名称与现有网络中的层名称冲突，addLayers 会抛出错误。
初始化：addLayers 不会自动初始化网络的学习参数。如果需要初始化学习参数，可以使用 initialize 函数。
量化信息：addLayers 不会保留量化信息。如果输入网络是量化网络，输出网络不会包含量化信息。

版本历史记录

R2024a：推荐使用 dlnetwork 对象，不推荐使用 LayerGraph 对象。addLayers 函数可以在 dlnetwork 上使用，允许灵活地扩展网络结构。

总结

addLayers 函数是 MATLAB 中用于灵活构建和扩展深度神经网络的重要工具，允许您在已有网络基础上添加新层，同时保留网络的原有架构和功能。

`removeLayers` 函数简介

removeLayers 函数用于从一个 dlnetwork 对象中删除指定的层及其连接。删除层后，网络的结构将更新，删除的层及其与其他层的连接也将被移除。

函数语法

netUpdated = removeLayers(net, layerNames)

net：当前的 dlnetwork 对象，包含已定义的网络架构。
layerNames：指定要删除的层的名称，可以是一个字符向量、字符串数组或字符向量元胞数组。
netUpdated：返回更新后的 dlnetwork 对象，其中移除了指定的层及其连接。

功能描述

removeLayers 函数从给定的神经网络中删除指定名称的层，并且移除与这些层相关的连接。删除层后，返回一个更新的神经网络对象。删除的层不会影响其他层和网络结构。

示例

示例 1: 创建并移除神经网络的层

创建一个简单的神经网络，并添加一些层：

net = dlnetwork;

layers = [
    imageInputLayer([28 28 1])  
    convolution2dLayer(3,16,Padding="same")
    batchNormalizationLayer
    reluLayer];

net = addLayers(net, layers);

figure
plot(net)  % 绘制网络图

移除 batchNormalizationLayer 层及其连接：

net = removeLayers(net, "batchNormalizationLayer");
figure
plot(net)  % 绘制更新后的网络图

示例 2: 删除多个层

假设我们有多个层，并想要删除其中的两个层：

net = dlnetwork;

layers = [
    imageInputLayer([28 28 1])  
    convolution2dLayer(3,16,Padding="same")
    batchNormalizationLayer
    reluLayer];

net = addLayers(net, layers);

% 删除 'batchNormalizationLayer' 和 'reluLayer'
net = removeLayers(net, {"batchNormalizationLayer", "reluLayer"});
figure
plot(net)  % 绘制删除后的网络图

输入参数

net：当前的 dlnetwork 对象，指定了当前的神经网络架构。
layerNames：一个字符向量、字符串数组或字符向量元胞数组，指定要删除的层的名称。如果要删除多个层，可以将它们的名称以数组或元胞数组的形式传递。

输出参数

netUpdated：删除指定层后的更新网络，返回一个未初始化的 dlnetwork 对象。要初始化网络中的学习参数，可以使用 initialize 函数。

注意事项

量化信息：removeLayers 不会保留量化信息。如果输入网络是量化网络，输出网络将不包含量化信息。
未初始化的网络：该函数返回的是未初始化的网络，如果需要进行预测或训练，必须调用 initialize 函数进行初始化。
层名称唯一性：确保删除的层名称在网络中是唯一的，并且层名称在网络中已经存在。

总结

removeLayers 函数是一个用于在 dlnetwork 对象中删除指定层及其连接的工具，它有助于动态地修改神经网络架构，适应不同的需求。在神经网络中删除不再需要的层时，记得使用该函数来更新网络结构。

`replaceLayer` 函数简介

replaceLayer 函数用于替换 dlnetwork 对象中的指定层。通过此函数，你可以用新的层替换现有网络中的某一层，并根据需要重新连接层。

函数语法

netUpdated = replaceLayer(net, layerName, layers)
netUpdated = replaceLayer(net, layerPath, layers)
netUpdated = replaceLayer(___, ReconnectBy=mode)

net：当前的 dlnetwork 对象。
layerName 或 layerPath：要替换的层的名称或路径。
- layerName：用于直接指定网络中要替换的层名称。
- layerPath：指定嵌套层的路径（适用于嵌套在 networkLayer 或自定义层的 dlnetwork 中的层）。
layers：新的网络层，可以是一个 Layer 数组，定义了替代层的结构。
mode：指定如何重新连接层的方式。可以选择：
- "name"：通过输入和输出的名称重新连接层。
- "order"：根据层的输入输出顺序重新连接层。

功能描述

replaceLayer 函数用于替换指定层并重新连接新的层到网络中。此功能特别适用于修改已有网络架构（例如替换激活层或添加新的正则化层）。此函数同时提供了两种方法来重新连接层——基于名称或基于层的顺序。

示例

示例 1: 替换简单网络中的层

定义一个简单的神经网络并绘制其图形：

net = dlnetwork;

layers = [
    imageInputLayer([28 28 1], Name="input")
    convolution2dLayer(3, 16, Padding="same")
    reluLayer(Name="relu1")
    additionLayer(2, Name="add")
    fullyConnectedLayer(10)
    softmaxLayer
];

net = addLayers(net, layers);
net = connectLayers(net, "input", "add/in2");

figure
plot(net)

使用 replaceLayer 函数将 relu1 层替换为一个批量归一化层后接一个 Leaky ReLU 层：

layers = [
    batchNormalizationLayer
    leakyReluLayer(0.1)
];

net = replaceLayer(net, "relu1", layers);
figure
plot(net)

示例 2: 替换嵌套网络中的层

定义一个包含嵌套层的网络，并绘制网络图：

net = dlnetwork;

layers = [
    lstmLayer(100, OutputMode="sequence")
    dropoutLayer(0.2)
];

lstmDropoutLayer = networkLayer(layers);

layers = [
    sequenceInputLayer(3)
    lstmDropoutLayer
    lstmDropoutLayer
    fullyConnectedLayer(10)
    softmaxLayer
];

net = addLayers(net, layers);
figure
plot(net)

查找并修改第一个 LSTM 层，然后替换它：

tempLSTMLayer = getLayer(net, "subnet_1/lstm");
tempLSTMLayer.InputWeightsInitializer = "zeros";
tempLSTMLayer.RecurrentWeightsInitializer = "zeros";
tempLSTMLayer.BiasInitializer = "ones";
tempLSTMLayer.Name = "modifiedLSTM";

net = replaceLayer(net, "subnet_1/lstm", tempLSTMLayer);

输入参数

net：dlnetwork 对象，表示当前的神经网络。
layerName：要替换的层名称，可以是字符向量或字符串标量。
layerPath：嵌套层的路径，适用于网络层中嵌套的层，使用层路径的形式，例如 "networkLayerName/layerName"。
layers：新的层，定义了要替换成的新层。
mode：指定层如何重新连接，选择 "name"（通过名称连接）或 "order"（通过顺序连接）。

输出参数

netUpdated：返回更新后的 dlnetwork 对象，新的层已经替换旧的层。返回的网络是未初始化的，需使用 initialize 函数初始化学习参数。

注意事项

replaceLayer 函数不会保留量化信息。如果输入网络是量化网络，输出的网络将不包含量化信息。
使用 replaceLayer 后，网络仍然是未初始化的，因此你需要手动调用 initialize 函数进行初始化。
对于嵌套层的替换，确保提供正确的层路径。

总结

replaceLayer 函数非常适合在已有的神经网络中进行架构调整，例如替换某个层，修改某个网络模块，或进行特定的改进。它提供了灵活的层替换和重新连接方式，帮助你高效地修改深度学习模型。

`connectLayers` 函数简介

connectLayers 函数用于在 dlnetwork 对象中连接源层和目标层。这是深度学习模型构建中必不可少的操作，它帮助您通过指定层的输入和输出名称来连接不同的层。

函数语法

netUpdated = connectLayers(net, s, d)

net：当前的 dlnetwork 对象。
s：连接的源层，指定为字符向量或字符串标量。如果源层有多个输出，则使用 "layerName/outputName" 这样的格式。
d：连接的目标层，指定为字符向量或字符串标量。如果目标层有多个输入，则使用 "layerName/inputName" 这样的格式。

功能描述

connectLayers 用于将源层的输出与目标层的输入连接起来。这个功能是构建深度神经网络时必不可少的，因为它帮助您定义不同层之间的数据流向。

示例

示例 1: 创建并连接相加层

net = dlnetwork;

% 创建相加层，指定该层有两个输入
layer = additionLayer(2, 'Name', 'add');
net = addLayers(net, layer);

% 向网络中添加两个 ReLU 层，并连接到相加层
layer = reluLayer('Name', 'relu1');
net = addLayers(net, layer);
net = connectLayers(net, 'relu1', 'add/in1');

layer = reluLayer('Name', 'relu2');
net = addLayers(net, layer);
net = connectLayers(net, 'relu2', 'add/in2');

% 可视化更新后的网络
figure;
plot(net);

示例 2: 定义双输出神经网络并连接跳过连接

numClasses = 10;
numResponses = 1;

net = dlnetwork;

% 定义主分支的网络层
layers = [
    imageInputLayer([28 28 1], Normalization="none")
    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")
    fullyConnectedLayer(numClasses)
    softmaxLayer(Name="softmax")
];

net = addLayers(net, layers);

% 添加跳过连接
layers = [
    convolution2dLayer(1, 32, Stride=2, Name="conv_skip")
    batchNormalizationLayer
    reluLayer(Name="relu_skip")
];

net = addLayers(net, layers);
net = connectLayers(net, "relu_1", "conv_skip");
net = connectLayers(net, "relu_skip", "add/in2");

% 添加回归输出层
layers = fullyConnectedLayer(numResponses, Name="fc_2");
net = addLayers(net, layers);
net = connectLayers(net, "add", "fc_2");

% 可视化网络
figure;
plot(net);

输入参数

net：dlnetwork 对象，表示当前的神经网络。
s：源层，指定为字符向量或字符串标量。若源层有多个输出，使用 "layerName/outputName" 的格式。
d：目标层，指定为字符向量或字符串标量。若目标层有多个输入，使用 "layerName/inputName" 的格式。

输出参数

netUpdated：返回更新后的 dlnetwork 对象，包含了源层和目标层的连接。返回的网络是未初始化的，需要使用 initialize 函数初始化网络的学习参数。

注意事项

connectLayers 函数不会保留量化信息。如果输入网络是量化网络，则输出的网络将不包含量化信息。
连接层时，要确保源层的输出名称与目标层的输入名称匹配。

总结

connectLayers 是深度学习网络构建中的关键函数，它允许你通过层的输入和输出名称来连接不同的网络层。通过该函数，你可以精确地控制网络的结构，连接不同的层以实现更复杂的模型架构。

`disconnectLayers` 函数简介

disconnectLayers 函数用于从 dlnetwork 对象中断开两层之间的连接。此操作从当前网络中移除了指定源层和目标层之间的连接，但保留网络中其他的层和连接。它有助于在神经网络设计中修改和调整层的连接结构。

函数语法

netUpdated = disconnectLayers(net, s, d)

net：当前的 dlnetwork 对象，表示神经网络。
s：源层，指定为字符向量或字符串标量。如果源层有多个输出，使用 "layerName/outputName" 的格式。
d：目标层，指定为字符向量或字符串标量。如果目标层有多个输入，使用 "layerName/inputName" 的格式。

功能描述

disconnectLayers 用于断开源层和目标层之间的连接，返回一个更新后的 dlnetwork 对象。源层和目标层仍然保留在网络中，但它们之间的连接被移除。此功能可以帮助用户在构建神经网络时，调整连接结构或执行其他层级操作。

示例

示例 1: 断开层连接

% 创建一个空的神经网络
net = dlnetwork;

% 定义层并添加到网络中
layers = [
    imageInputLayer([28 28 1])  
    convolution2dLayer(3,16,Padding="same")
    batchNormalizationLayer
    reluLayer
];

net = addLayers(net, layers);
figure
plot(net)  % 绘制原始网络

% 断开 'conv' 层和 'batchnorm' 层之间的连接
net = disconnectLayers(net, "conv", "batchnorm");

% 绘制更新后的网络
figure
plot(net)

在这个例子中，网络中连接了 conv 层和 batchnorm 层，使用 disconnectLayers 后，这两层之间的连接被移除。

输入参数

net：dlnetwork 对象，表示当前的神经网络。
s：源层，指定为字符向量或字符串标量。如果源层有多个输出，使用 "layerName/outputName" 的格式。
d：目标层，指定为字符向量或字符串标量。如果目标层有多个输入，使用 "layerName/inputName" 的格式。

输出参数

netUpdated：返回更新后的 dlnetwork 对象，其中不再包含源层与目标层之间的连接。

注意事项

disconnectLayers 不会保留量化信息。如果输入网络是量化网络，输出网络将不包含量化信息。
该函数只断开指定的源层和目标层之间的连接，其他层的结构和连接不会受到影响。

总结

disconnectLayers 是用于修改神经网络层连接的函数，它帮助您从网络中断开指定层之间的连接。这对于网络设计中的修改和调试非常有用，可以帮助您灵活调整网络结构。

`plot` 函数简介

plot 函数用于可视化神经网络架构，显示网络中的各层及它们之间的连接。这对于理解和分析神经网络结构非常有用，尤其是在调试和优化网络时。

函数语法

plot(net)

net：一个 dlnetwork 对象，表示深度神经网络。

功能描述

plot 函数绘制神经网络的图形表示，展示网络的各层及它们之间的连接。这个图形可以帮助用户更直观地理解网络架构，特别是在复杂的网络中。

示例

示例 1: 绘制简单神经网络

% 创建一个空的神经网络
net = dlnetwork;

% 定义网络层
layers = [
    imageInputLayer([32 32 3])  % 输入层，大小为32x32x3的图像
    convolution2dLayer(3,16,Padding="same")  % 卷积层
    batchNormalizationLayer  % 批归一化层
    reluLayer(Name="relu1")  % ReLU 激活层
    
    convolution2dLayer(3,16,Padding="same",Stride=2)  % 卷积层
    batchNormalizationLayer  % 批归一化层
    reluLayer  % ReLU 激活层
    additionLayer(2,Name="add")  % 相加层
];

% 将层添加到网络中
net = addLayers(net, layers);

% 连接 layers
net = connectLayers(net, "relu1", "add/in2");

% 绘制网络
figure
plot(net)