DAGNN – 有向非循环图神经网络

DagNN是SimpleNN的CNN封装代替。它是面向对象的，并允许使用有向非循环图（DAG）拓扑构建网络。因此，它是更灵活的，虽然对于小型CNNs有点复杂和稍慢一些。
DAG对象包含以下数据成员：
• layers：网络层。
• vars：网络变量。
• params：网络参数。
• meta：有关CNN的附加信息（例如输入输入的图像格式规范
• image format specification).
还有额外的临时数据成员：
• mode[ normal]
这个标志可以是normal或test。在后一种情况下，某些块切换到适合于验证或评估的测试模式，而不是训练。例如，退出模式成为直通块test。
• accumulateParamDers[ false]
如果该标志被设置为true，则在下一次计算导数时，累积网络参数的导数而不是重写。
• conserveMemory[ true]
如果此标志设置为true，则DagNN将在计算中不再需要时立即丢弃中间变量值。这对于节省GPU上的内存尤为重要。
• device[ cpu]
该标志告诉DagNN是否驻留在CPU或GPU内存中。使用该DagNN.move()功能在设备之间移动DagNN。
DagNN是可复制句柄，即允许使用copy操作符创建深层复制 deep_copy = copy(dagnet);。在所有情况下，深拷贝都位于CPU内存中（即在复制前从GPU传输）。备注：作为副作用，原始网络正在重置（所有变量都被清除），只有网络结构和参数被复制。
另请参见：matlab.mixin.Copyable
DAGNN - 初始化一个空的DaG
OBJ = DAGNN（）初始化一个空的DaG。
另请参见addLayer（），loadobj（），saveobj（）。
GETINPUTS - 获取输入变量的名称
INPUTS = GETINPUTS（obj）返回一个单元格数组，其中包含DaG对象的输入变量的名称，即DaG的源（不包括网络参数，也可以被认为是源）。
GETOUTPUTS - 获取输出变量的名称
OUTPUT = GETOUTPUTS（obj）返回一个包含DaG对象输出变量名称的单元格数组，即DaG的汇数。
GETLAYERINDEX - 获取图层的索引
INDEX = GETLAYERINDEX（obj，NAME）返回图层NAME的索引。NAME也可以是字符串的单元格数组。如果没有找到具有这样一个名称的层，则为索引返回值NaN。
然后可以将层作为obj.layers(INDEX) DaG 的属性进行访问。
索引是稳定的，除非修改DaG（例如通过添加或删除图层）; 因此它们可以被缓存以实现更快的可变访问。
另请参见getParamIndex（），getVarIndex（）。
GETVARINDEX - 获取变量的索引
INDEX = GETVARINDEX（obj，NAME）获取具有指定NAME的变量的索引。NAME也可以是字符串的单元格数组。如果没有找到具有这样一个名称的变量，则为索引返回值NaN。
然后可以将变量作为obj.vars(INDEX) DaG 的属性进行访问。
索引是稳定的，除非修改DaG（例如通过添加或删除图层）; 因此它们可以被缓存以实现更快的可变访问。
另请参见getParamIndex（），getLayerIndex（）。
GETPARAMINDEX - 获取参数的索引
INDEX = GETPARAMINDEX（obj，NAME）获取具有指定名称的参数的索引。NAME也可以是字符串的单元格数组。如果没有找到具有这样一个名称的参数，则为索引返回值NaN。
参数可以作为obj.params(INDEX) DaG 的属性访问。
索引是稳定的，除非修改DaG（例如通过添加或删除图层）; 因此可以缓存参数访问速度。
另请参见getVarIndex（），getLayerIndex（）。
GETLAYER - 获取图层定义的副本
LAYER = GETLAYER（obj，NAME）返回具有指定的NAME的图层定义结构的副本。NAME也可以是字符串的单元格数组或索引数组。如果没有指定名称或索引的参数存在，则抛出错误。
另请参见getLayerIndex（）。
GETVAR - 获取图层定义的副本
VAR = GETVAR（obj，NAME）返回具有指定NAME的网络变量的副本。NAME也可以是字符串的单元格数组或索引数组。如果没有指定名称或索引的变量存在，则抛出错误。
另请参见getVarIndex（）。
GETPARAM - 获取层参数的副本
PARAM = GETPARAM（obj，NAME）返回具有指定NAME的网络参数的副本。NAME也可以是字符串的单元格数组或索引数组。如果没有指定名称或索引的参数存在，则抛出错误。
另请参见getParamIndex（）。
GETLAYEREXECUTIONORDER - 获取评估层的顺序
ORDER = GETLAYEREXECUTIONORDER（obj）以按照执行顺序的层的索引返回一个向量。这不一定是琐碎的顺序1,2，...，L，因为它取决于图形拓扑。
SETPARAMETERSERVER - 为参数派生设置参数服务器
SETPARAMETERSERVER（obj，PS）使用指定的ParameterServer PS在多个MATLAB进程之间存储和累加参数导数。
设置此选项后，net.params.der始终为空，必须从服务器检索导数值。
CLEARPARAMETERSERVER - 删除参数服务器
CLEARPARAMETERSERVER（obj）使用参数服务器。
ADDVAR - 向DaG添加变量
V = ADDVAR（obj，NAME）向DaG添加带有指定的名称的varialbe。这是一个内部功能; 向网络添加图层时会自动添加变量。
ADDPARAM - 向DaG添加参数
V = ADDPARAM（obj，NAME）将指定的NAME的参数添加到DaG。这是一个内部功能; 在网络中添加图层时，会自动添加参数。
ADDLAYER - 向DagNN添加图层
ADDLAYER（NAME，LAYER，INPUTS，OUTPUTS，PARAMS）将指定的层添加到网络中。NAME是具有图层名称的字符串，用作唯一的标识符。BLOCK是实现层的对象，它应该是Layer的子类。INPUTS，OUTPUTS是变量名称的单元格数组，参数名称的PARAMS。
另请参见REMOVELAYER（）。
EVAL - 评估DAGNN
EVAL（obj，inputs）为指定的输入值评估DaG。inputs是这种类型的单元格数组{'inputName', inputValue, ...}。此调用将导致向前传递图形，计算输出变量的值。然后可以使用obj.vars(outputIndex)DaG对象的属性访问这些。可以使用该obj.getOutputIndex(outputName)调用获得输出的索引。
EVAL（obj，inputs，derOutputs）向前评估DaG，然后向后评估，执行反向传播。类似于inputs， derOutputs是输出派生类型的{'outputName'，outputDerValue，...}类型的单元格数组。
了解反向传播
只有那些outputDerValue非空的输出涉及反向传播，而其他输出被忽略。这可以附加到图形辅助层来计算错误或其他统计信息，但不涉及它们的反向传播。
通常一个人从标量出发开始反向传播，对应于损失函数。在这种情况下outputDerValue可以解释为该输出的权重，通常设置为1。例如：{'objective', 1}从'objective'重量为1 的输出变量反向传播。
然而，在一些情况下，DaG可以包含多于一个这样的节点，例如因为一个具有多于一个的损失函数。在这种情况下，{'objective1', w1, 'objective2', w2, ...}可以平衡不同的目标。
最后，可以从不是标量的输出反向传播。虽然这是不寻常的，但是可以通过指定其值outputDerValue与输出具有相同的维度; 在这种情况下，该值用作权重或投影的矩阵。
影响评估的因素
影响评估的因素有：
• 在评估模式可以是normal或test。根据模式，图层可能会有所不同。例如，退出在测试模式下成为一个直通层，批量归一化使用固定时刻（这通常会显着提高测试性能）。
• 默认情况下，DaG积极节省内存。这对于内存稀少的GPU来说尤为重要。然而，这也意味着大多数变量及其衍生物的值在计算过程中被丢弃。为了调试目的，观察这些变量可能很有趣; 在这种情况下，您可以设置obj.conserveMemoryDaG 的属性false。也可以通过设置属性，以保护个人变量obj.vars(v).precious来true。
FROMSIMPLENN - 从SimpleNN网络初始化DagNN对象
FROMSIMPLENN（NET）使用SimpleNN格式从指定的CNN初始化DagNN对象。
SimpleNN对象是计算层的线性链。这些层通过未明确命名的变量和参数交换信息。因此，FROMSIMPLENN（）使用多个规则自动分配这些名称：
• 从输入到CNN的输出，变量被称为 x0（第一层的输入端）， x1，x2，...以这种方式xi是第i层的输出。
• 任何损失层需要两个输入，第二个是标签。这些被称为label（对于第一这样的层），然后 label2，label3...为任何其他类似的层。
另外，给定该选项，CanonicalNames该功能可以更改一些变量的名称，使其更方便使用。打开此选项：
• 网络输入被称为input代替x0。
• 调用每个SoftMax图层的输出prob（或prob2...）。
• 调用每个Loss层的输出objective（或objective2...）。
• 称为（或...）类型为softmax日志丢失的每个SoftMax或Loss层的输入。如果丢失层紧跟在SoftMax层之后，则上述规则取决于前提，并且输入名称不会更改。predictionprediction2
FROMSIMPLENN（___，'OPT'，VAL，...）接受以下选项：
• CanonicalNames[ 假 ]
如果true使用上面的规则为某些变量分配更有意义的名称。
GETVARRECEPTIVEFIELDS - 获取变量的接受域
RFS = GETVARRECEPTIVEFIELDS（OBJ，VAR）将DagNN OBJ的所有变量的接收场RFS变为变量VAR。VAR是变量名或索引。
RFS在DagNN中的每个变量有一个条目，遵循与DAGNN.GETRECEPTIVEFIELDS（）相同的格式。例如，RFS（i）是DagNN中的第i个变量的可接受域到变量VAR。如果第i个变量在DAG中不是VAR的后代，那么就没有接收域rfs(i).size == []。如果不能计算接收字段（例如，因为它取决于变量的值，而不仅仅是在网络拓扑上，或者如果不能被表示为滑动窗口）rfs(i).size = [NaN NaN]。
GETVARSIZES - 获取变量的大小
SIZES = GETVARSIZES（OBJ，INPUTSIZES）计算给定输入大小的DagNN变量的SIZES。inputSizes是类型{'inputName', inputSize, ...} 的单元格数组返回具有所有网络变量大小的单元格数组。
例如，计算类似imagenet的网络的批量大小为256所需的存储量：
batch_size = 256; single_num_bytes = 4;
input_size = [net.meta.normalization.imageSize, batch_size];
var_sizes = net.getVarSizes({'data', input_size});
fprintf('Network activations will take %.2fMiB in single.\n', ...

sum(prod(cell2mat(var_sizes, 1))) * single_num_bytes ./ 1024^3);
INITPARAM - 初始化DagNN的参数
OBJ.INITPARAM（）使用每层的INIT（）方法来初始化相应的参数（通常是随机的）。
LOADOBJ - 从结构初始化一个DagNN对象。
OBJ = LOADOBJ（S）从结构S初始化DagNN对象。与S = OBJ.SAVEOBJ（）相反。如果S是字符串，则使用mat-file S中的数据初始化DagNN对象。否则，如果S是一个实例dagnn.DagNN，则返回S.
MOVE - 将DagNN移动到CPU或GPU
MOVE（obj，'cpu'）将DagNN obj移动到CPU。
MOVE（obj，'gpu'）将DagNN对象移动到GPU。
PRINT - 打印有关DagNN对象的信息
PRINT（OBJ）显示网络中功能和参数的摘要。STR = PRINT（OBJ）将摘要作为字符串返回，而不是打印。
PRINT（OBJ，INPUTSIZES）其中INPUTSIZES是类型为{'input1nam'，input1size，'input2name'，input2size，...}的单元格数组，使用每个列出的输入的指定大小打印信息。
PRINT（___，'OPT'，VAL，...）接受以下选项：
• All[ 假 ]
显示以下所有信息。
• Layers[ ' '*]
指定要打印的图层。这可以是索引列表，数组名称的单元格数组或字符串“*”，这意味着所有图层。
• Parameters[ ' '*]
指定要打印的参数，类似于上述选项。
• Variables[ [] ]
指定要打印的变量，类似于上述选项。
• Dependencies[ 假 ]
是否显示每个输入的每个变量的依赖关系（几何变换）。
• Format[ 'ascii' ]
选择之间ascii，latex，csv， '有向图'，和dot。前三格格式打印表; digraph使用绘图函数digraph（在MATLAB> = R2015b中支持），最后一个以dot格式打印图形。在零输出的情况下，它会使用系统上的dot命令和start（Windows），display（Linux）或open（Mac OSX）来编辑和可视化点图。在后一种情况下，无论其他参数如何，所有变量和图层都包含在图中。
• FigurePath[ 'tempname.pdf' ]
设置dot保存任何生成的图形的路径。目前，这仅适用于格式dot。默认情况下，使用唯一的临时文件名（tempname用tempname()调用替换）。扩展名指定输出格式（作为-Text参数传递给点）。如果不提供扩展名，默认使用PDF。此外，将用于生成图形的.dot文件存储到同一位置。
dotArgs::''其他点参数。例如'-Gsize =“7”'以产生较小的输出（用于网络结构的检查等）。
• MaxNumColumns[ 18 ]
每个表中的最大列数。
参见：DAGNN，DAGNN.GETVARSIZES（）。
REBUILD - 重建DagNN对象的内部数据结构
REBUILD（obj）重建DagNN对象的内部数据结构。它是内部使用的帮助函数来更新网络，当添加或删除图层时。
REMOVELAYER - 从网络中删除一个图层
REMOVELAYER（OBJ，NAME）从DagNN对象OBJ中移除层NAME。NAME可以是字符串或单元格数组的字符串。
RENAMELAYER - 重命名图层
RENAMELAYER（OLDNAME，NEWNAME）将层OLDNAME的名称更改为NEWNAME。NEWNAME不应该是现有图层的名称。
RENAMELAYER - 重命名参数
RENAMEPARAM（OLDNAME，NEWNAME）将参数OLDNAME的名称更改为NEWNAME。NEWNAME不应该是现有参数的名称。
RENAMEVAR - 重命名变量
RENAMEVAR（OLDNAME，NEWNAME）将变量OLDNAME的名称更改为NEWNAME。NEWNAME不应该是现有变量的名称。
RESET - 重置DagNN
RESET（obj）复位DagNN对象。该函数清除存储在DagNN对象中的任何中间值，包括参数梯度。它也称为每层的复位功能。
SAVEOBJ - 将DagNN保存到香草MATLAB结构中
S = OBJ.SAVEOBJ（）将DagNN OBJ保存到香草MATLAB结构S.对于保留未来的兼容性和运送纯结构的网络而非嵌入依赖关系代码，这是非常方便的。
对象可以重构obj = DagNN.loadobj(s)。
作为副作用，网络正在重置（所有变量都被清除）并被转移到CPU。
另请参见：dagnn.DagNN.loadobj，dagnn.DagNN.reset
SETLAYERINPUTS - 将输入设置或更改为图层
示例：NET.SETLAYERINPUTS（'layerName'，{'input1'，'input2'，...}）
SETLAYEROUTPUTS - 设置或更改图层的输出
示例：NET.SETLAYEROUTPUTS（'layerName'，{'output1'，'output2'，...}）
SETLAYEPARAMS - 设置或更改图层的参数
示例：NET.SETLAYERPARAMS（'layerName'，{'param1'，'param2'，...}）

DAGNN – 有向非循环图神经网络相关推荐

北邮王啸：图神经网络的两面性
报告:王啸撰文:熊宇轩作者简介王啸,北京邮电大学,助理教授.研究方向为图神经网络.数据挖掘与机器学习.曾任清华大学计算机系博士后,天津大学博士,美国圣路易斯华盛顿大学联合培养博士,入选20 ...
2W字长文 | 漫谈工业界图神经网络推荐系统
图神经网络是近年来很火的一个研究方向,在生物化学,推荐系统,自然语言处理等领域都得到了广泛应用.其中图神经网络在推荐系统的应用方面,已有几篇综述[1][2][3]做过详细的归纳总结.但是让人感到美中不 ...
Graph Representation 图神经网络
Graph Representation 图神经网络图表示学习(representation learning)--图神经网络框架,主要涉及PyG.DGL.Euler.NeuGraph和AliGra ...
计算机鹅点云,CVPR 2020 | 用于点云中3D对象检测的图神经网络
论文原文:Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud 论文地址:https://www.amine ...
hung-yi lee_p18_图神经网络(cont.)
文章目录 1. 简介 2. 怎么把图喂到神经网络里面呢 3. 为什么需要GNN 4. 训练GNN遇到的问题 5. 后面的内容安排 6. GNN要做的事,常用数据集和基准 7. 第一种实现GNN的方法( ...
【组队学习】【26期】图神经网络
图神经网络论坛版块: http://datawhale.club/c/team-learning/27-category/26 开源内容: https://github.com/datawhalec ...
图神经网络如何对知识图谱建模？ | 赠书
几乎所有早期的知识图谱嵌入的经典方法都是在对每个三元组打分,在实体和关系的表示中并没有完全考虑到整幅图的结构. 早期,图神经网络的方法在知识图谱嵌入中并没有被重视,主要由于: 早期的图神经网络更多是具 ...
当深度学习遇上图：图神经网络的兴起 | 赠书
什么是图也许我们从来没有意识到,我们正生活在一个充满图的世界.例如,我们最熟悉的社交网络(如下图所示),就是一个最典型的图. 在计算机领域,我们通常用图指代一种广义的抽象结构,用来表示一堆实体和它们 ...
性能超越图神经网络，将标签传递和简单模型结合实现SOTA
译者 | 刘畅出品 | AI科技大本营头图 | CSDN付费下载自视觉中国图神经网络(GNNs)是图学习中一种主流的技术.然而,对于GNN为什么在实际使用中很成功以及它们是否是优异性能所必需的技 ...

DAGNN – 有向非循环图神经网络

DAGNN – 有向非循环图神经网络相关推荐

最新文章

热门文章