matlab深度学习：DAGNetwork入门之旅

最新推荐文章于 2025-03-31 05:53:01 发布

林语微光

最新推荐文章于 2025-03-31 05:53:01 发布

阅读量4.7k

点赞数 2

分类专栏： matlab-CV 文章标签： matlab深度学习：DAGNetwork入门之旅

本文链接：https://blog.csdn.net/weixin_43687366/article/details/102557729

版权

matlab-CV 专栏收录该内容

19 篇文章

订阅专栏

本文详细介绍如何使用DAG网络创建深度学习模型，包括层定义、连接和训练过程。通过实例展示如何添加卷积层、连接层，并使用训练数据进行模型训练及验证集分类准确性评估。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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