SeriesNetwork

用于深度学习的串行网络

全页展开

说明

串行网络是一种用于深度学习的神经网络，具有依次排列的各个层。它有一个输入层和一个输出层。

创建对象

创建 SeriesNetwork 对象有多种方法：

使用 alexnet、darknet19、vgg16 或 vgg19 加载一个预训练网络。有关示例，请参阅加载预训练的 AlexNet 卷积神经网络。
使用 trainNetwork 训练或微调一个网络。有关示例，请参阅训练用于图像分类的网络。
使用 assembleNetwork 函数从预训练的层组合为一个深度学习网络。

注意

要了解其他预训练网络，如 googlenet 和 resnet50，请参阅预训练的深度神经网络。

属性

全部展开

`Layers` — 网络层
`Layer` 数组

此属性为只读。

网络层，指定为 Layer 数组。

`InputNames` — 输入层的名称
字符向量元胞数组

此属性为只读。

输入层的名称，指定为字符向量元胞数组。

数据类型: cell

`OutputNames` — 输出层的名称
元胞数组

此属性为只读。

输出层的名称，指定为字符向量元胞数组。

数据类型: cell

对象函数

`activations`	计算深度学习网络层激活
`classify`	(Not recommended) Classify data using trained deep learning neural network
`predict`	(Not recommended) Predict responses using trained deep learning neural network
`predictAndUpdateState`	(Not recommended) Predict responses using a trained recurrent neural network and update the network state
`classifyAndUpdateState`	(Not recommended) Classify data using a trained recurrent neural network and update the network state
`resetState`	Reset state parameters of neural network
`plot`	绘制神经网络架构

示例

全部折叠

加载预训练的 AlexNet 卷积神经网络

此示例使用:

打开实时脚本

加载预训练的 AlexNet 卷积神经网络，并检查层和类。

使用 alexnet 加载预训练的 AlexNet 网络。输出 net 是一个 SeriesNetwork 对象。

net = alexnet

net = 
  SeriesNetwork with properties:

    Layers: [25×1 nnet.cnn.layer.Layer]

使用 Layers 属性查看网络架构。该网络由 25 个层组成。8 个层具有可学习权重：5 个卷积层和 3 个全连接层。

net.Layers

ans = 
  25x1 Layer array with layers:

     1   'data'     Image Input                   227x227x3 images with 'zerocenter' normalization
     2   'conv1'    Convolution                   96 11x11x3 convolutions with stride [4  4] and padding [0  0  0  0]
     3   'relu1'    ReLU                          ReLU
     4   'norm1'    Cross Channel Normalization   cross channel normalization with 5 channels per element
     5   'pool1'    Max Pooling                   3x3 max pooling with stride [2  2] and padding [0  0  0  0]
     6   'conv2'    Grouped Convolution           2 groups of 128 5x5x48 convolutions with stride [1  1] and padding [2  2  2  2]
     7   'relu2'    ReLU                          ReLU
     8   'norm2'    Cross Channel Normalization   cross channel normalization with 5 channels per element
     9   'pool2'    Max Pooling                   3x3 max pooling with stride [2  2] and padding [0  0  0  0]
    10   'conv3'    Convolution                   384 3x3x256 convolutions with stride [1  1] and padding [1  1  1  1]
    11   'relu3'    ReLU                          ReLU
    12   'conv4'    Grouped Convolution           2 groups of 192 3x3x192 convolutions with stride [1  1] and padding [1  1  1  1]
    13   'relu4'    ReLU                          ReLU
    14   'conv5'    Grouped Convolution           2 groups of 128 3x3x192 convolutions with stride [1  1] and padding [1  1  1  1]
    15   'relu5'    ReLU                          ReLU
    16   'pool5'    Max Pooling                   3x3 max pooling with stride [2  2] and padding [0  0  0  0]
    17   'fc6'      Fully Connected               4096 fully connected layer
    18   'relu6'    ReLU                          ReLU
    19   'drop6'    Dropout                       50% dropout
    20   'fc7'      Fully Connected               4096 fully connected layer
    21   'relu7'    ReLU                          ReLU
    22   'drop7'    Dropout                       50% dropout
    23   'fc8'      Fully Connected               1000 fully connected layer
    24   'prob'     Softmax                       softmax
    25   'output'   Classification Output         crossentropyex with 'tench' and 999 other classes

您可以通过查看分类输出层（最终层）的 Classes 属性，来查看网络学习的类的名称。通过选择前 10 个元素来查看前 10 个类。

net.Layers(end).Classes(1:10)

ans = 10×1 categorical array
     tench 
     goldfish 
     great white shark 
     tiger shark 
     hammerhead 
     electric ray 
     stingray 
     cock 
     hen 
     ostrich

从 Caffe 网络导入层

此示例使用:

指定要导入的示例文件 'digitsnet.prototxt'。

protofile = 'digitsnet.prototxt';

导入网络层。

layers = importCaffeLayers(protofile)

layers = 

  1x7 Layer array with layers:

     1   'testdata'   Image Input             28x28x1 images
     2   'conv1'      Convolution             20 5x5x1 convolutions with stride [1  1] and padding [0  0]
     3   'relu1'      ReLU                    ReLU
     4   'pool1'      Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0]
     5   'ip1'        Fully Connected         10 fully connected layer
     6   'loss'       Softmax                 softmax
     7   'output'     Classification Output   crossentropyex with 'class1', 'class2', and 8 other classes

训练用于图像分类的网络

打开实时脚本

将数据作为 ImageDatastore 对象加载。

digitDatasetPath = fullfile(matlabroot,'toolbox','nnet', ...
    'nndemos','nndatasets','DigitDataset');
imds = imageDatastore(digitDatasetPath, ...
    'IncludeSubfolders',true, ...
    'LabelSource','foldernames');

该数据存储包含 10,000 个数字 0 至 9 的合成图像。这些图像是通过对使用不同字体创建的数字图像应用随机变换生成的。每个数字图像为 28×28 像素。该数据存储包含的每个类别都有相同数量的图像。

显示数据存储中的部分图像。

figure
numImages = 10000;
perm = randperm(numImages,20);
for i = 1:20
    subplot(4,5,i);
    imshow(imds.Files{perm(i)});
    drawnow;
end

划分数据存储，使训练集中的每个类别包含 750 个图像，测试集包含对应每个标签的其余图像。

numTrainingFiles = 750;
[imdsTrain,imdsTest] = splitEachLabel(imds,numTrainingFiles,'randomize');

splitEachLabel 将 digitData 中的图像文件拆分为两个新的数据存储，imdsTrain 和 imdsTest。

定义卷积神经网络架构。

layers = [ ...
    imageInputLayer([28 28 1])
    convolution2dLayer(5,20)
    reluLayer
    maxPooling2dLayer(2,'Stride',2)
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];

将选项设置为带动量的随机梯度下降的默认设置。将最大训练轮数设置为 20，以 0.0001 的初始学习率开始训练。

options = trainingOptions('sgdm', ...
    'MaxEpochs',20,...
    'InitialLearnRate',1e-4, ...
    'Verbose',false, ...
    'Plots','training-progress');

训练网络。

net = trainNetwork(imdsTrain,layers,options);

Figure Training Progress (19-Aug-2023 11:53:04) contains 2 axes objects and another object of type uigridlayout. Axes object 1 with xlabel Iteration, ylabel Loss contains 6 objects of type patch, text, line. Axes object 2 with xlabel Iteration, ylabel Accuracy (%) contains 6 objects of type patch, text, line.

基于未用于训练网络的测试集运行经过训练的网络，并预测图像标签（数字）。

YPred = classify(net,imdsTest);
YTest = imdsTest.Labels;

计算准确度。准确度是测试数据中与来自 classify 的分类匹配的真实标签数量与测试数据中图像数量的比率。

accuracy = sum(YPred == YTest)/numel(YTest)

accuracy = 0.9400

扩展功能

C/C++ 代码生成
使用 MATLAB® Coder™ 生成 C 代码和 C++ 代码。

用法说明和限制：

仅支持 activations、classify、predict、predictAndUpdateState、classifyAndUpdateState 和 resetState 对象函数。
要创建用于代码生成的 SeriesNetwork 对象，请参阅加载预训练网络以用于代码生成 (MATLAB Coder)。

GPU 代码生成
使用 GPU Coder™ 为 NVIDIA® GPU 生成 CUDA® 代码。

用法说明和限制：

仅支持 activations、classify、predict、predictAndUpdateState、classifyAndUpdateState 和 resetState 对象函数。
要创建用于代码生成的 SeriesNetwork 对象，请参阅Load Pretrained Networks for Code Generation (GPU Coder)。

版本历史记录

在 R2016a 中推出

SeriesNetwork

说明

创建对象

属性

`Layers` — 网络层
`Layer` 数组

`InputNames` — 输入层的名称
字符向量元胞数组

`OutputNames` — 输出层的名称
元胞数组

对象函数

示例

加载预训练的 AlexNet 卷积神经网络

从 Caffe 网络导入层

训练用于图像分类的网络

扩展功能

C/C++ 代码生成
使用 MATLAB® Coder™ 生成 C 代码和 C++ 代码。

GPU 代码生成
使用 GPU Coder™ 为 NVIDIA® GPU 生成 CUDA® 代码。

版本历史记录

另请参阅

主题

SeriesNetwork

说明

创建对象

属性

Layers — 网络层 Layer 数组

InputNames — 输入层的名称 字符向量元胞数组

OutputNames — 输出层的名称 元胞数组

对象函数

示例

加载预训练的 AlexNet 卷积神经网络

从 Caffe 网络导入层

训练用于图像分类的网络

扩展功能

C/C++ 代码生成 使用 MATLAB® Coder™ 生成 C 代码和 C++ 代码。

GPU 代码生成 使用 GPU Coder™ 为 NVIDIA® GPU 生成 CUDA® 代码。

版本历史记录

另请参阅

主题

WeChat

`Layers` — 网络层
`Layer` 数组

`InputNames` — 输入层的名称
字符向量元胞数组

`OutputNames` — 输出层的名称
元胞数组

C/C++ 代码生成
使用 MATLAB® Coder™ 生成 C 代码和 C++ 代码。

GPU 代码生成
使用 GPU Coder™ 为 NVIDIA® GPU 生成 CUDA® 代码。