La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

DAGNetwork

(Déconseillé) Réseau DAG (Directed Acyclic Graph) pour le Deep Learning

L’utilisation d’objets DAGNetwork est déconseillée. Utilisez des objets dlnetwork à la place. Pour plus d’informations, veuillez consulter Historique des versions.

Description

Un réseau DAG est un réseau de neurones pour le Deep Learning dont les couches sont disposées sous la forme d’un graphe acyclique orienté. Un réseau DAG peut présenter une architecture plus complexe dans laquelle les couches ont des entrées provenant de plusieurs couches et des sorties vers plusieurs couches.

Création

Il existe plusieurs façons de créer un objet DAGNetwork :

• Charger un réseau préentraîné du type squeezenet, googlenet, resnet50, resnet101 ou inceptionv3. Vous trouverez un exemple dans Charger un réseau SqueezeNet. Pour plus d’informations sur les réseaux préentraînés, voir Pretrained Deep Neural Networks.

• Entraînez ou affinez un réseau avec trainNetwork.

• Importez un réseau pré-entraîné à partir de TensorFlow™-Keras, de TensorFlow-2, de Caffe ou du format de modèle ONNX™ (Open Neural Network Exchange).

  • Pour un modèle Keras, utilisez importKerasNetwork. Vous trouverez un exemple dans Import and Plot Keras Network.

  • Pour un modèle TensorFlow dans son format de sauvegarde, utilisez importTensorFlowNetwork. Vous trouverez un exemple dans Import TensorFlow Network as DAGNetwork to Classify Image.

  • Pour un modèle Caffe, utilisez importCaffeNetwork. Vous trouverez un exemple dans Import Caffe Network.

  • Pour un modèle ONNX, utilisez importONNXNetwork. Vous trouverez un exemple dans Import ONNX Network as DAGNetwork.

• Assemblez un réseau de Deep Learning à partir de couches préentraînées avec la fonction assembleNetwork.

Remarque

Pour découvrir d’autres réseaux préentraînés, voir Pretrained Deep Neural Networks.

Propriétés

Layers — Couches du réseau

Lecture seule : tableau de Layer

Ce propriété est en lecture seule.

Couches du réseau, définies par un tableau de Layer.

Connections — Connexions des couches

Lecture seule : table

Ce propriété est en lecture seule.

Connexions des couches définies sous la forme d'une table à deux colonnes.

Dans la table, chaque ligne représente une connexion dans le graphe des couches. La première colonne, intitulée Source, indique la source de chaque connexion. La deuxième colonne, intitulée Destination, indique la destination de chaque connexion. Les sources et destinations des connexions sont des noms de couches ou prennent la forme "layerName/IOName", où "IOName" correspond au nom de la couche en entrée ou en sortie.

Types de données : table

InputNames — Noms des couches en entrée

Lecture seule : cell array de vecteurs de caractères

Ce propriété est en lecture seule.

Noms des couches en entrée, définis par un cell array de vecteurs de caractères.

Types de données : cell

OutputNames — Noms des couches en sortie

Lecture seule : cell array

Ce propriété est en lecture seule.

Noms des couches en sortie, définis par un cell array de vecteurs de caractères.

Types de données : cell

Fonctions d'objet

activations	(Not recommended) Compute deep learning network layer activations
classify	(Not recommended) Classify data using trained deep learning neural network
predict	(Not recommended) Predict responses using trained deep learning neural network
plot	Tracer l’architecture du réseau de neurones
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

Exemples

Créer un réseau DAG simple

Créez un réseau DAG (Directed Acyclic Graph - graphe acyclique orienté) pour le Deep Learning.

Entraînez le réseau pour classer les images de chiffres. Le réseau simple de cet exemple se compose des éléments suivants :

• Une branche principale comportant des couches connectées de manière séquentielle.

• Une connexion de type raccourci contenant une couche unique de convolution 1 x 1. Les connexions de type raccourci permettent aux gradients des paramètres de passer plus facilement de la couche de sortie vers les couches précédentes du réseau.

Créez la branche principale du réseau sous la forme d’un layer array (layer array). La couche d'addition additionne les entrées multiples élément par élément. Spécifiez le nombre d’entrées que la couche d’addition doit additionner. Pour faciliter l'ajout de connexions par la suite, spécifiez les noms pour la première couche ReLU et la couche d'addition.

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];

Créez un graphe de couches à partir du tableau de couches (layer array). layerGraph connecte toutes les couches de layers de manière séquentielle. Tracez le graphe des couches.

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

Créez la couche de convolution 1 x 1 et ajoutez-la au graphe des couches. Spécifiez le nombre de filtres par convolution et le pas de sorte que la taille d'activation corresponde à celle de la troisième couche ReLU. Cette disposition permet à la couche d'addition d'ajouter les sorties de la troisième couche ReLU et de la couche de convolution 1 x 1. Pour vérifier la présence de la couche dans le graphe, tracez le graphe des couches.

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

Créez la connexion de type raccourci entre la couche 'relu_1' et la couche 'add'. Étant donné que vous avez spécifié un nombre d'entrées de 2 pour la couche d'addition à sa création, la couche contient deux entrées nommées 'in1' et 'in2'. La troisième couche ReLU est déjà connectée à l’entrée 'in1'. Connectez la couche 'relu_1' à la couche 'skipConv', et la couche 'skipConv' à l’entrée 'in2' de la couche 'add'. La couche d'addition additionne à présent les sorties de la troisième couche ReLU et la couche 'skipConv'. Pour vérifier que les couches sont correctement connectées, tracez le graphe des couches.

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

Chargez les données d’apprentissage et de validation qui se composent d’images en 28 x 28 de chiffres en niveaux de gris.

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

Spécifiez les options d’apprentissage et entraînez le réseau. trainNetwork valide le réseau avec les données de validation à chaque itération ValidationFrequency.

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

Afficher les propriétés du réseau entraîné. Le réseau est un objet DAGNetwork.

net

net = 
  DAGNetwork with properties:

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

Classez les images de validation et calculez la précision. Le réseau est très précis.

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

accuracy = 0.9932

Capacités étendues

Génération de code C/C++

Générez du code C et C++ avec MATLAB® Coder™.

Notes d’usage et limitations :

• Seules les fonctions activations, classify, predict, predictAndUpdateState, classifyAndUpdateState et resetState sont supportées.

Génération de code GPU

Générez du code CUDA® pour les GPU NVIDIA® avec GPU Coder™.

Notes d'usage et limitations :

• Seules les fonctions activations, classify, predict, predictAndUpdateState, classifyAndUpdateState et resetState sont supportées.

Historique des versions

Introduit dans R2017b

R2024a: Déconseillé

À partir de R2024a, l’utilisation d’objets DAGNetwork est déconseillée. Utilisez les objets dlnetwork à la place.

Il n’est pas prévu de supprimer le support des objets DAGNetwork. Cependant, les objets dlnetwork présentent les avantages suivants et sont recommandés à la place :

• Un objet dlnetwork est un type de données unifié qui supporte la création de réseau, la prédiction, l’apprentissage prédéfini, la visualisation, la compression, la vérification et les boucles d’apprentissage personnalisées.

• Les objets dlnetwork supportent un plus large éventail d’architectures de réseau que vous pouvez créer ou importer à partir de plateformes externes.

• La fonction trainnet supporte les objets dlnetwork, ce qui vous permet de spécifier facilement des fonctions de perte. Vous pouvez sélectionner une fonction de perte prédéfinie ou spécifier une fonction de perte personnalisée.

• L’apprentissage et la prédiction avec des objets dlnetwork sont généralement plus rapides que les workflows LayerGraph et trainNetwork.

Pour convertir un objet DAGNetwork entraîné en objet dlnetwork, utilisez la fonction dag2dlnetwork.

Le tableau suivant indique quelques utilisations courantes des objets DAGNetwork et comment mettre à jour votre code pour qu’il utilise les fonctions de l'objet dlnetwork à la place.

Déconseillé	Recommandé
Y = predict(net,X);	Y = minibatchpredict(net,X);
Y = classify(net,X);	scores = minibatchpredict(net,X); Y = scores2label(scores,classNames);
Y = activations(net,X,layerName);	Y = predict(net,X,Outputs=layerName);
[net,Y] = predictAndUpdateState(net,X);	[Y,state] = predict(net,X); net.State = state;
[net,Y] = classifyAndUpdateState(net,X);	[scores,state] = predict(net,X); Y = scores2label(scores,classNames); net.State = state;

Voir aussi

dlnetwork | imagePretrainedNetwork | trainingOptions | trainnet | minibatchpredict | dag2dlnetwork | predict | scores2label | importKerasNetwork | plot | analyzeNetwork

Rubriques

• Deep Learning in MATLAB
• Classer une image avec GoogLeNet
• Train Residual Network for Image Classification
• Retrain Neural Network to Classify New Images
• Pretrained Deep Neural Networks