1.綜述：

DagNN是用來代替SimpleNN的CNN wrapper。它是面向對象的，并且允許采用有向無環圖構建神經網絡。與SimpleNN相比，DagNN速度有點慢但是更加靈活。

一個DAG對象包括以下數據成員：

• layers: 神經網絡層

• vars: 網絡變量

• params: 網絡參數

• meta: 額外的補充信息

同時，DAG還包括有一些臨時的數據成員：

• mode [normal] : 這個標志可以是“normal”或者“test”。在后面一種情況，某些模塊轉向測試模式，適合驗證和評估；
• accumulateParamDer [false]?: 如果設置為“true”，那么網絡參數的導數就會被累計，而不是在下次計算時重寫；
• conserveMemory [true] : 如果這個標記位設置為“true”，DagNN將會丟棄中間變量值，一旦在計算過程中不再需要它們；
• device [cpu] : 這個標志的意思是，DagNN駐留在CPU內存中或者GPU內存中，使用 DagNN.move()可以在設備之間移動DagNN。

2. DAGNN相關函數

2.1 初始化為空

obj = DagNN() %初始化為空的DAGNN結構體

2.2 ?獲取網絡輸入變量的名字

inputName = getInputs(obj) % 獲取網絡輸入的名字

返回一個cell類型的輸入組合。

2.3 獲取網絡輸出變量的名字

outputName = getOutputs(obj); % 獲取網絡輸出名稱

2.4 獲取網絡層索引

index = getLayerIndex(obj, layerName); % 根據神經網絡層的名字獲取索引，用于網絡評價；obj.layers(index); % 用于網絡評價% 返回如下信息 % name = 'DCF' % inputs = {'x', 'z'} % outputs = {'response'} % params = {} % inputIndexsx = [7,14] % outputIndexes = 15 % paramIndexes = [] % forwardTime = 0.6927 % backwardTime = 0.2452 % block = [1x1 dagnn.DCF]

2.5 獲取網絡變量的索引

index = getVarIndex(obj, varName); % 返回指定變量名的索引obj.vars(index); % 對變量進行評價% 返回如下信息 % name = 'conv1' % value = [] % der = [] % fanin = 1 % fanout = 1 % precious = 0

2.6 獲取參數的索引

index = getParamIndex(obj, paramName); % 指定參數名獲取參數的索引號obj.params(index);% 返回如下信息： % name = 'conv1f' % value = 3x3x1x32 gpuArray % der = 3x3x1x32 gpuArray % fanout = 2 % trainMethod = 'gradient' % learningRate = 0.01 % weightDecay = 0.0005

2.7 層、變量、參數拷貝

layer = getLayer(obj, layerName); %var = getVar(obj, varName); %param = getParam(obj, paramName); % getLayerExecutionOrder(obj);% 例如，孿生網絡： % 1 2 —— 3 4 —— 5 6 —— 13 —— 14 —— 15 % | | | | | | % 7 —— 8 9 —— 10 11 —— 12 %

2.8 添加變量、參數、層

addVar(obj, varName);addParam(obj, paramName);addLayer(layerName, layer, input, output, params);

3. 評價DAGNN

eval(obj, inputs); % 指定輸入值，評價DAGNN。 % 輸入應該是cell矩陣，如 input = {'inputName', inputValue, ...},該語句的調用將導致網絡的正向信息傳遞；并計算輸出變量的值；eval(obj, inputs, derOutputs); % 評價DAGNN前向和反向，執行誤差反向傳播算法。 % 和inputs很類似，的人Outputs也是cell矩陣，{‘outputName’， outputDerValue, ...};

4. 理解反向傳播

4.1 損失函數權重分配層

通常，對應到損失函數，網絡從表來那個的輸入開始進行反向傳播。在這種情況下，outputDerValue可以解釋為輸出的權重，通常設置為1.例如， {‘objective’， 1}。從‘objective’輸出變量（權重為1）開始反向傳播。

然而，很多情況下DAGNN會包括很多損失函數，在這種情況下，就需要設置不同的權重去平衡不同的目標，例如：{‘objective1’， w1, 'objective2', w2, ... }。

4.2 影響evaluation的因素

評價模式可以是‘normal’ 或者 ‘test’； 在不同模式下，行為是不一樣的。例如，在‘test’模式下，Dropout變成一個 Pass-through層； batch normalization使用固定的動量（通常極大提高了測試的性能）；

在默認情況下，DAG會主動采用節省內存模式 conserve memory。對于GPU來說這是至關重要的，因為GPU的資源很稀缺。然而，這也意味著，在訓練過程中，大多數的變量值和他們的導數都被丟棄了。 為了便于調試，這些中間變量有時對我們很重要， 在這種情況下，我們可以設置 obj.conserveMemory = false; 當然，我們也可以利用 obj.vars(v).precious = true 進行中間變量保存。

總結

以上是生活随笔為你收集整理的DAGNN：有向无环图神经网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。