在Matlab 2019b/2020a中，在构建DNN时，如何将完全连接层的输出重塑为2D形状，以便可以跟随预训练的CNN？

我正在使用深度学习工具箱设计一个深度神经网络。在网络中，二维卷积层需要跟随完全连接的层。但是deepNetworkDesigner不允许这种结构，因为完全连接层的输出是1D。在其他框架（如Torch）中，解决此问题的方法是将完整层的输出重塑为2D。有没有一种方法可以通过Matlab 2019b/2020a实现？谢谢。

如果您未使用深度学习网络分析仪创建网络 您可以通过创建一个输出大小为10且名称为“fc1”的完全连接层来实现此目的

layer = fullyConnectedLayer(10,'Name','fc1')

然后，通过将其包含在图层阵列中

layers = [ ...
imageInputLayer([28 28 1])
convolution2dLayer(5,20)
reluLayer
maxPooling2dLayer(2,'Stride',2)
fullyConnectedLayer(10)
softmaxLayer
classificationLayer]

如您所见，完全连接的2D层之后是大小为10的完全连接层，没有任何问题

顾名思义，一个完全连接的层中的所有神经元都连接在一起 前一层的所有神经元。该层结合了所有 由上一层跨多个层学习的特征（本地信息） 该图像用于识别较大的图案。分类 如果出现问题，最后一个完全连接的层将功能组合到 对图像进行分类。这就是输出大小参数 最后一个完全连接的网络层的 数据集的类数。对于回归问题，输出 大小必须等于响应变量的数量

然后，您可以通过将图层图创建为

lgraph=layerGraph（layers）

---

如果您已经使用Deep network Designer设计了网络 您可以将网络的体系结构导出到工作区，并通过两种方式修改其输出层：

1。使用GUI

• 在设计器窗格中，将新的

  fullyConnectedLayer

  从层库拖到画布上。将

  OutputSize

  设置为新数据中的类数
• 删除最后一个完全连接的层，然后连接新层
• 如果您的目标是开发分类网络，请替换输出层。滚动到层库的末尾，并将新的

  classificationLayer

  拖到画布上。删除原始输出层并连接新层
• 通过单击“分析”检查您的网络。如果Deep Learning network Analyzer报告零错误，则网络已准备好接受培训

2。不使用GUI

• 在“设计器”选项卡上，单击“导出”。根据网络体系结构，Deep network Designer将网络导出为LayerGraph

  lgraph

• 将最后一层替换为使用

  newlgraph=replaceLayer（lgraph，您要更改的层，所需的新层）

• 使用

  分析网络（newlgraph）

  检查网络是否已准备好接受培训。如果是这样，网络分析仪必须报告零错误