layerGraph

(Déconseillé) Graphe des couches de réseau pour le Deep Learning

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

Description

Un graphe de couches spécifie l'architecture d'un réseau de neurones sous la forme d'un DAG (Directed Acyclic Graph) de couches de Deep Learning. Les couches peuvent avoir plusieurs entrées et plusieurs sorties.

Création

Syntaxe

lgraph = layerGraph

lgraph = layerGraph(layers)

lgraph = layerGraph(net)

Description

lgraph = layerGraph crée un graphe de couches vide ne contenant aucune couche. Vous pouvez ajouter des couches au graphe vide en utilisant la fonction addLayers.

lgraph = layerGraph(layers) crée un graphe de couches à partir d'un tableau de couches de réseau et définit la propriété Layers. Les couches de lgraph sont connectées dans le même ordre séquentiel que dans layers.

lgraph = layerGraph(net) extrait le graphe de couches d’un objet SeriesNetwork, DAGNetwork ou dlnetwork. Par exemple, vous pouvez extraire le graphe de couches d’un réseau préentraîné afin de procéder à un apprentissage par transfert.

Arguments en entrée

net — Réseau de Deep Learning

objet SeriesNetwork | objet DAGNetwork | objet dlnetwork

Réseau de Deep Learning, défini comme étant un objet SeriesNetwork, DAGNetwork ou dlnetwork.

Propriétés

Layers — Couches du réseau

Lecture seule : tableau Layer

Ce propriété est en lecture seule.

Couches du réseau, définies par un tableau 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 d’entrée

Lecture seule : cell array de vecteurs de caractères

Ce propriété est en lecture seule.

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

Types de données : cell

OutputNames — Noms des couches de sortie

Lecture seule : cell array

Ce propriété est en lecture seule.

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

Types de données : cell

Fonctions d'objet

addLayers	Add layers to neural network
removeLayers	Remove layers from neural network
replaceLayer	Replace layer in neural network
connectLayers	Connect layers in neural network
disconnectLayers	Disconnect layers in neural network
plot	Tracer l’architecture du réseau de neurones

Exemples

Créer un graphe de couches

Créez un graphe de couches simple pour le Deep Learning.

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 tableau de couches (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 des 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);

Limitations

• Les objets du graphe de couches ne contiennent aucune information de quantification. L'extraction du graphe de couches d'un réseau quantifié, puis le réassemblage du réseau en utilisant assembleNetwork ou dlnetwork, supprime les informations de quantification du réseau.

Historique des versions

Introduit dans R2017b

R2024a: Déconseillé

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

Il n’est pas prévu de supprimer le support des objets LayerGraph. 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.

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

Déconseillé	Recommandé
lgraph = layerGraph;	net = dlnetwork;
lgraph = layerGraph(layers);	net = dlnetwork(layers,Initialize=false);
lgraph = layerGraph(net);	net = dag2dlnetwork(net);
lgraph = addLayers(lgraph,layers);	net = addLayers(net,layers);
lgraph = removeLayers(lgraph,layerNames);	net = removeLayers(net,layerNames);
lgraph = replaceLayer(lgraph,layerName,layers);	net = replaceLayer(net,layerName,layers);
lgraph = connectLayers(lgraph,s,d);	net = connectLayers(net,s,d);
lgraph = disconnectLayers(lgraph,s,d);	net = disconnectLayers(net,s,d);
plot(lgraph);	plot(net);

Pour entraîner un réseau de neurones spécifié comme un objet dlnetwork, utilisez la fonction trainnet.

Dans un objet LayerGraph, au lieu d'utiliser une couche de sortie, spécifiez la fonction de perte en utilisant l'argument de fonction de perte de la fonction trainnet.

Voir aussi

imagePretrainedNetwork | dlnetwork | trainingOptions | trainnet | dag2dlnetwork | addLayers | removeLayers | connectLayers | disconnectLayers | plot | additionLayer | replaceLayer | depthConcatenationLayer | analyzeNetwork | Deep Network Designer

Rubriques

• Créer un réseau de neurones simple de Deep Learning pour la classification
• Train Residual Network for Image Classification
• Retrain Neural Network to Classify New Images
• Deep Learning in MATLAB
• Pretrained Deep Neural Networks
• List of Deep Learning Layers