La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

additionLayer

Capa de suma

Descripción

Una capa de suma añade entradas de múltiples capas de redes neuronales elemento por elemento.

Especifique el número de entradas a la capa cuando la cree. Las entradas de la capa tienen los nombres 'in1','in2',...,'inN', donde N es el número de entradas. Use los nombres de entradas cuando conecte o desconecte la capa usando connectLayers o disconnectLayers. Todas las entradas de una capa de suma deben tener la misma dimensión.

Creación

Sintaxis

layer = additionLayer(numInputs)

layer = additionLayer(numInputs,'Name',name)

Descripción

layer = additionLayer(numInputs) crea una capa de suma que añade entradas numInputs elemento por elemento. Esta función también establece la propiedad NumInputs.

layer = additionLayer(numInputs,'Name',name) también establece la propiedad Name.

Propiedades

NumInputs — Número de entradas

entero positivo

Número de entradas a la capa, especificado como un entero positivo mayor que o igual a 2.

Las entradas tienen los nombres 'in1','in2',...,'inN', donde N es NumInputs. Por ejemplo, si NumInputs es 3, las entradas tienen los nombres 'in1','in2' y 'in3'. Use los nombres de entradas cuando conecte o desconecte la capa usando las funciones connectLayers o disconnectLayers.

Name — Nombre de la capa

'' (predeterminado) | vector de caracteres | escalar de cadena

Nombre de la capa, especificado como un vector de caracteres o un escalar de cadena. Para entradas en forma de arreglo Layer, las funciones trainNetwork, assembleNetwork, layerGraph y dlnetwork asignan automáticamente nombres a las capas con el nombre ''.

Tipos de datos: char | string

InputNames — Nombres de las entradas

{'in1','in2',…,'inN'} (predeterminado)

Los nombres de las entradas, especificados como {'in1','in2',...,'inN'}, donde N es el número de entradas de la capa.

Tipos de datos: cell

NumOutputs — Número de salidas

1 (predeterminado)

Esta propiedad o parámetro es de solo lectura.

Número de salidas de la capa. Esta capa solo tiene una salida.

Tipos de datos: double

OutputNames — Nombres de salida

{'out'} (predeterminado)

Esta propiedad o parámetro es de solo lectura.

Nombres de las salidas de la capa. Esta capa solo tiene una salida.

Tipos de datos: cell

Ejemplos

Crear y conectar una capa de suma

Cree una capa de suma con dos entradas y el nombre 'add_1'.

add = additionLayer(2,'Name','add_1')

add = 
  AdditionLayer with properties:

          Name: 'add_1'
     NumInputs: 2
    InputNames: {'in1'  'in2'}

Cree dos capas ReLU y conéctelas con la capa de suma. La capa de suma añade las salidas de las capas ReLU.

relu_1 = reluLayer('Name','relu_1');
relu_2 = reluLayer('Name','relu_2');

lgraph = layerGraph;
lgraph = addLayers(lgraph,relu_1);
lgraph = addLayers(lgraph,relu_2);
lgraph = addLayers(lgraph,add);

lgraph = connectLayers(lgraph,'relu_1','add_1/in1');
lgraph = connectLayers(lgraph,'relu_2','add_1/in2');

plot(lgraph)

Crear una red DAG simple

Cree una red gráfica acíclica dirigida (DAG) simple de deep learning. Entrene a la red para clasificar imágenes de dígitos. La red simple de este ejemplo está compuesta por lo siguiente:

• Una rama principal con capas conectadas de forma secuencial.

• Una conexión de atajo que contiene una sola capa convolucional de 1 por 1. Las conexiones de atajo permiten que los gradientes de parámetros fluyan con mayor facilidad desde la capa de salida a las primeras capas de la red.

Cree la rama principal de la red como un arreglo de capas. La capa de suma añade varias entradas elemento por elemento. Especifique el número de entradas que debe sumar la capa de suma. Para añadir conexiones con facilidad más tarde, especifique los nombres de la primera capa ReLU y de la capa de suma.

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];

Cree una gráfica de capas a partir del arreglo de capas. layerGraph conecta todas las capas de layers secuencialmente. Represente la gráfica de capas.

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

Cree la capa convolucional de 1 por 1 y añádala a la gráfica de capas. Especifique el número de filtros convolucionales y el tramo, para que el tamaño de activación coincida con el tamaño de activación de la tercera capa ReLU. Este ajuste permite que la capa de suma añada las salidas de la tercera capa ReLU y de la capa convolucional de 1 por 1. Para comprobar que la capa se encuentra en la gráfica, represente la gráfica de capas.

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

Cree la conexión de atajo desde la capa 'relu_1' a la capa 'add'. Dado que especificó 2 como el número de entradas de la capa de suma durante su creación, la capa tiene dos entradas llamadas 'in1' y 'in2'. La tercera capa ReLU ya está conectada a la entrada 'in1'. Conecte la capa 'relu_1' a la capa 'skipConv', y la capa 'skipConv' a la entrada 'in2' de la capa 'add'. Ahora, la capa de suma sumará las salidas de la tercera capa ReLU y de la capa 'skipConv'. Para comprobar que las capas se han conectado correctamente, represente la gráfica de capas.

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

Cargue los datos de entrenamiento y validación, que están formados por imágenes de dígitos de escala de grises de 28 por 28.

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

Especifique las opciones de entrenamiento y entrene la red. trainNetwork valida la red usando los datos de validación cada ValidationFrequency iteraciones.

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

Muestre las propiedades de la red entrenada. La red es un objeto DAGNetwork.

net

net = 
  DAGNetwork with properties:

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

Clasifique las imágenes de validación y calcule la precisión. La red es muy precisa.

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

accuracy = 0.9934

Algoritmos

Formatos de entrada y salida de capa

Las capas en un arreglo de capas o en una gráfica de capas pasan datos a las capas posteriores como objetos dlarray con formato. El formato de un objeto dlarray es una cadena de caracteres, en la que cada carácter describe la dimensión correspondiente de los datos. Los formatos constan de uno o más de estos caracteres:

• "S": espacial

• "C": canal

• "B": lote

• "T": tiempo

• "U": sin especificar

Por ejemplo, los datos de imagen 2D representados como arreglo 4D, donde las dos primeras dimensiones corresponden a las dimensiones espaciales de las imágenes, la tercera dimensión corresponde a los canales de las imágenes y la cuarta dimensión corresponde a la dimensión de lote, pueden describirse como datos con formato "SSCB" (espacial, espacial, canal, lote).

Puede interactuar con estos objetos dlarray en flujos de trabajo de diferenciación automática, como desarrollar una capa personalizada, usar un objeto functionLayer o usar las funciones forward y predict con objetos dlnetwork.

En esta tabla se muestran los formatos de entrada admitidos de objetos AdditionLayer y el formato de salida correspondiente. Si la salida de la capa se pasa a una capa personalizada que no hereda de la clase nnet.layer.Formattable o un objeto FunctionLayer con la propiedad Formattable establecida en 0 (falso), entonces la capa recibe un objeto dlarray sin formato con dimensiones ordenadas correspondientes a los formatos de esta tabla.

Cada entrada debe tener datos con el mismo formato.

Formato de entrada	Formato de salida
"CB" (canal, lote)	"CB" (canal, lote)
"SCB" (espacial, canal, lote)	"SCB" (espacial, canal, lote)
"SSCB" (espacial, espacial, canal, lote)	"SSCB" (espacial, espacial, canal, lote)
"SSSCB" (espacial, espacial, espacial, canal, lote)	"SSSCB" (espacial, espacial, espacial, canal, lote)
"CBT" (canal, lote, tiempo)	"CBT" (canal, lote, tiempo)
"SCBT" (espacial, canal, lote, tiempo)	"SCBT" (espacial, canal, lote, tiempo)
"SSCBT" (espacial, espacial, canal, lote, tiempo)	"SSCBT" (espacial, espacial, canal, lote, tiempo)
"SSSCBT" (espacial, espacial, espacial, canal, lote, tiempo)	"SSSCBT" (espacial, espacial, espacial, canal, lote, tiempo)
"CU" (canal, sin especificar)	"CU" (canal, sin especificar)
"SC" (espacial, canal)	"SC" (espacial, canal)
"SSC" (espacial, espacial, canal)	"SSC" (espacial, espacial, canal)
"SSSC" (espacial, espacial, espacial, canal)	"SSSC" (espacial, espacial, espacial, canal)
"BU" (lote, sin especificar)	"BU" (lote, sin especificar)

En objetos dlnetwork, los objetos AdditionLayer también admiten estas combinaciones de formato de entrada y salida.

Formato de entrada	Formato de salida
"CT" (canal, tiempo)	"CT" (canal, tiempo)
"SCT" (espacial, canal, tiempo)	"SCT" (espacial, canal, tiempo)
"SSCT" (espacial, espacial, canal, tiempo)	"SSCT" (espacial, espacial, canal, tiempo)
"SSSCT" (espacial, espacial, espacial, canal, tiempo)	"SSSCT" (espacial, espacial, espacial, canal, tiempo)

Capacidades ampliadas

Generación de código C/C++
Genere código C y C++ mediante MATLAB® Coder™.

Generación de código de GPU
Genere código CUDA® para GPU NVIDIA® mediante GPU Coder™.

Historial de versiones

Introducido en R2017b

Consulte también

trainNetwork | layerGraph | depthConcatenationLayer

Temas

• Crear una red neuronal de deep learning sencilla para clasificación
• Deep learning en MATLAB
• Redes neuronales profundas preentrenadas
• Set Up Parameters and Train Convolutional Neural Network
• Specify Layers of Convolutional Neural Network
• Train Residual Network for Image Classification
• Lista de capas de deep learning

×

Abrir ejemplo

Tiene una versión modificada de este ejemplo. ¿Desea abrir este ejemplo con sus modificaciones?

No, sobrescribir la versión modificada Sí