layerGraph

R2026b

(권장되지 않음)딥러닝을 위한 신경망 계층의 그래프

LayerGraph 객체는 권장되지 않습니다. 대신 dlnetwork 객체를 사용하십시오. 자세한 내용은 버전 내역 항목을 참조하십시오.

trainNetwork, SeriesNetwork, DAGNetwork, 코드를 dlnetwork 워크플로로 전환하는 방법에 대한 자세한 내용은 Transition trainNetwork, SeriesNetwork, and DAGNetwork Code to dlnetwork Workflows 항목을 참조하십시오.

설명

계층 그래프는 신경망의 아키텍처를 딥러닝 계층의 유방향 비순환 그래프(DAG)로 지정합니다. 계층은 여러 개의 입력과 여러 개의 출력을 가질 수 있습니다.

생성

구문

lgraph = layerGraph

lgraph = layerGraph(layers)

lgraph = layerGraph(net)

설명

lgraph = layerGraph는 계층이 없는 빈 계층 그래프를 만듭니다. addLayers 함수를 사용하여 빈 그래프에 계층을 추가할 수 있습니다.

lgraph = layerGraph(layers)는 신경망 계층 배열로부터 계층 그래프를 만들고 Layers 속성을 설정합니다. lgraph의 계층들은 layers와 동일한 순서로 연결됩니다.

lgraph = layerGraph(net)은 SeriesNetwork, DAGNetwork 또는 dlnetwork 객체의 계층 그래프를 추출합니다. 예를 들어, 사전 훈련된 신경망의 계층 그래프를 추출하여 전이 학습을 수행할 수 있습니다.

입력 인수

net — 딥러닝 신경망

SeriesNetwork 객체 | DAGNetwork 객체 | dlnetwork 객체

딥러닝 신경망으로, SeriesNetwork, DAGNetwork 또는 dlnetwork 객체로 지정됩니다.

속성

Layers — 신경망 계층

읽기 전용: Layer 배열

읽기 전용 속성입니다.

신경망 계층으로, Layer 배열로 지정됩니다.

Connections — 계층 연결

읽기 전용: 테이블

읽기 전용 속성입니다.

계층 연결로, 2개의 열이 있는 테이블로 지정됩니다.

각 테이블 행은 계층 그래프에 있는 하나의 연결을 나타냅니다. 첫 번째 열 Source는 각 연결의 소스를 지정합니다. 두 번째 열 Destination은 각 연결의 대상을 지정합니다. 연결 소스와 대상은 계층 이름이거나 "layerName/IOName" 형태를 갖습니다. 여기서 "IOName"은 계층 입력 또는 출력의 이름입니다.

데이터형: table

InputNames — 입력 계층의 이름

읽기 전용: 문자형 벡터로 구성된 셀형 배열

읽기 전용 속성입니다.

입력 계층의 이름으로, 문자형 벡터로 구성된 셀형 배열로 지정됩니다.

데이터형: cell

OutputNames — 출력 계층의 이름

읽기 전용: 셀형 배열

읽기 전용 속성입니다.

출력 계층의 이름으로, 문자형 벡터로 구성된 셀형 배열로 지정됩니다.

데이터형: cell

객체 함수

addLayers	신경망에 계층 추가하기
removeLayers	신경망에서 계층 제거
replaceLayer	Replace layer in neural network
connectLayers	신경망에서 계층 연결하기
disconnectLayers	신경망에서 계층 연결 끊기
plot	신경망 아키텍처 플로팅

예제

계층 그래프 생성

딥러닝을 위한 간단한 계층 그래프를 만듭니다.

이 예제의 간단한 신경망은 다음으로 구성됩니다.

• 계층이 순차적으로 연결된 기본 분기.

• 1×1 컨벌루션 계층 1개를 포함하는 지름길 연결. 지름길 연결은 출력 계층에서 신경망의 앞쪽 계층으로 파라미터 기울기가 보다 쉽게 흐르도록 해 줍니다.

신경망의 기본 분기를 계층 배열로 만듭니다. 덧셈 계층은 여러 개의 입력을 요소별로 합산합니다. 덧셈 계층이 합산할 입력의 개수를 지정합니다. 나중에 쉽게 연결을 추가하려면 첫 번째 ReLU 계층과 덧셈 계층에 이름을 지정하십시오.

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];

계층 배열에서 계층 그래프를 만듭니다. layerGraph는 layers에 있는 모든 계층을 순차적으로 연결합니다. 계층 그래프를 플로팅합니다.

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

1×1 컨벌루션 계층을 만들어서 계층 그래프에 추가합니다. 활성화 크기가 세 번째 ReLU 계층의 활성화 크기와 일치하도록 컨벌루션 필터의 개수와 스트라이드를 지정합니다. 이렇게 지정해 두면 덧셈 계층이 세 번째 ReLU 계층과 1×1 컨벌루션 계층의 출력값을 더할 수 있게 됩니다. 계층이 그래프에 있는지 확인하기 위해 계층 그래프를 플로팅합니다.

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

'relu_1' 계층에서 'add' 계층으로 지름길 연결을 만듭니다. 덧셈 계층을 만들 때 계층의 입력의 개수를 2로 지정했으므로 이 계층은 이름이 각각 'in1'과 'in2'인 2개의 입력을 갖습니다. 세 번째 ReLU 계층은 이미 'in1' 입력에 연결되어 있습니다. 'relu_1' 계층을 'skipConv' 계층에 연결하고 'skipConv' 계층을 'add' 계층의 'in2' 입력에 연결합니다. 이 덧셈 계층이 세 번째 ReLU 계층과 'skipConv' 계층의 출력값을 합산합니다. 계층이 올바르게 연결되었는지 확인하려면 계층 그래프를 플로팅합니다.

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

제한 사항

• layer graph 객체에는 양자화 정보가 포함되지 않습니다. 양자화된 신경망에서 계층 그래프를 추출한 다음 assembleNetwork 또는 dlnetwork를 사용하여 신경망을 재조합하면 신경망에서 양자화 정보가 제거됩니다.

버전 내역

R2017b에 개발됨

R2024a: 권장되지 않음

R2024a부터 LayerGraph 객체는 권장되지 않습니다. 대신 dlnetwork 객체를 사용하십시오.

LayerGraph 객체에 대한 지원을 제거할 계획은 없습니다. 하지만 다음과 같은 이점이 있는 dlnetwork 객체가 대신 권장됩니다.

• dlnetwork 객체는 신경망 구축, 예측, 기본 제공 훈련, 시각화, 압축, 검증 및 사용자 지정 훈련 루프를 지원하는 통합 데이터형입니다.

• dlnetwork 객체는 외부 플랫폼에서 만들거나 가져올 수 있는 더 넓은 범위의 신경망 아키텍처를 지원합니다.

• dlnetwork 객체는 trainnet 함수에서 지원되기 때문에 손실 함수를 쉽게 지정할 수 있습니다. 내장 손실 함수 중에서 선택하거나 사용자 지정 손실 함수를 지정할 수 있습니다.

• 일반적으로 dlnetwork 객체를 사용한 훈련과 예측이 LayerGraph와 trainNetwork를 사용하는 워크플로보다 더 빠릅니다.

LayerGraph 객체를 지원하는 대부분의 함수는 dlnetwork 객체도 지원합니다. 다음 표에서는 LayerGraph 객체의 몇 가지 일반적인 사용법과 dlnetwork 객체 함수를 대신 사용하도록 코드를 업데이트하는 방법을 보여줍니다.

권장되지 않음	권장됨
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);

dlnetwork 객체로 지정된 신경망을 훈련시키려면 trainnet 함수를 사용하십시오.

LayerGraph 객체에서는 출력 계층을 사용하는 대신 trainnet 함수의 손실 함수 인수를 사용하여 손실 함수를 지정하십시오.

trainNetwork, SeriesNetwork, DAGNetwork, 코드를 dlnetwork 워크플로로 전환하는 방법에 대한 자세한 내용은 Transition trainNetwork, SeriesNetwork, and DAGNetwork Code to dlnetwork Workflows 항목을 참조하십시오.

참고 항목

imagePretrainedNetwork | dlnetwork | trainingOptions | trainnet | dag2dlnetwork | addLayers | removeLayers | connectLayers | disconnectLayers | plot | additionLayer | replaceLayer | depthConcatenationLayer | analyzeNetwork | 심층 신경망 디자이너

도움말 항목

• 분류를 수행하는 간단한 딥러닝 신경망 만들기
• 영상 분류를 위해 잔차 신경망 훈련시키기
• 새 영상 분류를 위해 신경망 다시 훈련시키기
• Transition trainNetwork, SeriesNetwork, and DAGNetwork Code to dlnetwork Workflows
• MATLAB의 딥러닝
• 사전 훈련된 심층 신경망
• 딥러닝 계층 목록