主要内容

激活

计算深度学习网络层激活

所有的页面崩溃

语法

行动=激活(净、图像层)
行动=激活(净、序列、层)
行动=激活(净、功能层)
行动=激活(净,X1,…, XN层)
行动=激活(净、混合层)
行动=激活(___名称=值)

描述

你可以计算深度学习网络层激活一个CPU或GPU。使用GPU需要并行计算工具箱™和支持GPU设备。金宝app支持设备的信息,请参阅金宝appGPU计算的需求(并行计算工具箱)。指定使用的硬件需求ExecutionEnvironment名称-值参数。

计算激活使用训练SeriesNetwork或DAGNetwork,可以使用激活函数。计算的激活dlnetwork对象,使用向前或预测功能和指定输出选择。

行为=激活(净,图片,层)返回网络激活的图层名称或号码层使用指定的图像。

行为=激活(净,序列,层)返回网络激活层使用指定的序列。

行为=激活(净,特性,层)返回网络激活层使用指定的特性数据。

行为=激活(净,X1,…, XN,层)返回网络激活层使用数字或单元数组中的数据X1、…XN多输入网络净。输入习对应于网络的输入net.InputNames(我)。

行为=激活(净,混合,层)返回网络层使用训练网络激活净与多个输入的混合数据类型。

例子

行为=激活(___,名称=值)返回网络激活附加选项指定一个或多个参数名称-值对。例如,OutputAs = "行"指定激活输出格式“行”。使用这种语法的任何输入参数在以前的语法。毕竟其他输入参数指定名称参数。

例子

全部折叠

这个示例使用:

打开生活的脚本

这个例子展示了如何提取图像特征认识从pretrained卷积神经网络训练图像分类器,并使用这些特性。

特征提取是最简单和最快的方式使用pretrained深层网络的表征能力。例如,您可以使用训练支持向量机(SVM)金宝appfitcecoc(统计和机器学习的工具箱™)提取的特征。因为特征提取只需要一个通过数据,这是一个很好的起点,如果你没有一个GPU加速网络训练。

加载数据

解压缩和加载示例图像作为图像数据存储。imageDatastore自动标签图像基于文件夹的名字和存储数据作为ImageDatastore对象。图像数据存储可以存储大量图像数据,包括数据,并不适合在内存中。把数据分成70%的训练,30%测试数据。

解压缩(“MerchData.zip”);imd = imageDatastore (“MerchData”,…IncludeSubfolders = true,…LabelSource =“foldernames”);[imdsTrain, imdsTest] = splitEachLabel (imd, 0.7,“随机”);

这个非常小的数据集有55个训练图像和20验证图像。显示一些示例图像。

numImagesTrain =元素个数(imdsTrain.Labels);idx = randperm (numImagesTrain 16);我= imtile (imd,“帧”,idx);图imshow(我)

负载Pretrained网络

加载一个pretrained SqueezeNet网络。SqueezeNet培训超过一百万张图片,可以分类图像到1000年对象类别,例如,键盘,鼠标,铅笔,和许多动物。结果,模型已经学会丰富广泛的图像特征表示。

网= squeezenet;

分析网络体系结构。

analyzeNetwork(净)

2022 - 01 - 07 - _16 - 31 - 30. - png

图像输入层,第一层要求输入的图像大小227 - 227 - 3,3是颜色通道的数量。

.InputSize inputSize = net.Layers (1)
inputSize =1×3227 227 3

提取图像特征

网络结构的层次化表示输入图像。深层包含更高层次特性,构造使用以前的低层次特征层。的训练和测试的特征表示图像,使用激活全球平均池层“pool10”。得到的低水平表示图像,使用早期层网络。

网络需要输入的图像大小227 - 227 - 3,但图像的图像数据存储有不同的大小。自动调整之前的训练和测试图像输入到网络,创建增强图像数据存储,指定所需的图像大小,和使用这些数据存储作为输入参数激活。

augimdsTrain = augmentedImageDatastore (inputSize (1:2), imdsTrain);augimdsTest = augmentedImageDatastore (inputSize (1:2), imdsTest);层=“pool10”;featuresTrain =激活(净、augimdsTrain层,OutputAs =“行”);featuresTest =激活(净、augimdsTest层,OutputAs =“行”);

提取类标签的训练和测试数据。

TTrain = imdsTrain.Labels;tt = imdsTest.Labels;

适合图像分类器

使用从训练图像提取的特征作为预测变量和适应多类支持向量机(SVM)使用金宝appfitcecoc(统计和机器学习的工具箱)。

mdl = fitcecoc (featuresTrain TTrain);

测试图像进行分类

使用训练SVM模型分类测试图像和测试图像的特征提取。

featuresTest YPred =预测(mdl);

显示四个样品的测试图像与他们预测标签。

idx = [1 5 10 15];图为i = 1:元素个数(idx)次要情节(2,2,我)我= readimage (imdsTest idx (i));标签= YPred (idx (i));imshow (I)标题(标签)结束

计算测试集上的分类精度。精度是标签的一部分网络预测正确。

精度=意味着(YPred = = tt)
精度= 0.9500

这SVM具有较高的精度。如果使用特征提取精度不够高,然后试着转移学习。

输入参数

全部折叠

训练网络,作为一个指定SeriesNetwork或者一个DAGNetwork对象。你可以通过导入pretrained训练网络的网络(例如,通过使用googlenet函数)或通过训练自己的网络使用trainNetwork。

图像数据,指定为以下之一。

数据类型 描述 示例使用
数据存储 ImageDatastore 数据存储的图片保存在磁盘上

做出预测与图像保存在磁盘上,图片都是一样的尺寸。

当图像大小不同,使用一个AugmentedImageDatastore对象。
AugmentedImageDatastore 数据存储,应用随机仿射几何转换,包括缩放、旋转、反射、剪切和翻译

做出预测与图像保存在磁盘上,图像是不同的大小。
TransformedDatastore 数据存储转换批次的数据从底层数据存储读取使用自定义转换函数

  • 变换数据存储与输出不支持的金宝app激活。

  • 自定义转换应用到数据存储输出。
CombinedDatastore 数据存储,读取从两个或两个以上的底层数据存储

  • 使用网络与多个输入作出预测。

  • 合并来自不同数据源的预测因子。
自定义mini-batch数据存储 自定义数据存储返回mini-batches的数据

使用数据进行预测,其他数据存储的格式不支持。金宝app

有关详细信息,请参见开发自定义Mini-Batch数据存储。
数字数组 指定为一个数字图像数组 使用数据进行预测,适合在内存中,不需要额外的处理调整。
表 图像指定为一个表 使用数据存储在一个表中作出预测。

当你使用数据存储与网络有多个输入,必须一个数据存储TransformedDatastore或CombinedDatastore对象。

提示

的序列图像,例如,视频数据,使用序列输入参数。

数据存储

图像数据存储读取mini-batches和响应。使用数据存储数据时不适合在内存中或当你想调整输入数据。

这些数据存储直接兼容激活对图像数据。

请注意,ImageDatastore对象允许批量使用预取JPG和PNG图像文件的阅读。如果你使用一个自定义函数读取图像,然后ImageDatastore对象不预取。

提示

使用augmentedImageDatastore为深度学习有效的图像预处理,包括图像缩放。

不使用readFcn选择的imageDatastore函数预处理或调整,这个选项通常是明显慢。

您可以使用其他通过使用内置的数据存储进行预测变换和结合功能。这些函数可以读取数据存储的数据转换为需要的格式分类。

所需的数据存储格式输出取决于网络体系结构。

网络体系结构 数据存储输出 示例输出
单输入

表或单元阵列,第一列指定了预测。

表格元素必须标量、行向量或1×1细胞数组包含一个数字数组。

自定义数据存储必须输出表。

 
data =阅读(ds)
data = 4×1表预测_____________{224×224×3双}{224×224×3双}{224×224×3双}{224×224×3双}
 
data =阅读(ds)
data = 4×1单元阵列{224×224×3双}{224×224×3双}{224×224×3双}{224×224×3双}
多个输入

单元阵列至少numInputs列,numInputs是网络输入的数量。

第一个numInputs列指定每个输入的预测因子。

输入的顺序的InputNames网络的属性。

 
data =阅读(ds)
data = 4×2单元阵列{224×224×3双}{128×128×3双}{224×224×3双}{128×128×3双}{224×224×3双}{128×128×3双}{224×224×3双}{128×128×3双}

预测的格式取决于类型的数据。

数据 格式
二维图像

h——- - - - - -w——- - - - - -c数字数组,h,w,c高度,宽度,和数字通道的图像,分别吗
三维图像 h——- - - - - -w——- - - - - -d——- - - - - -c数字数组,h,w,d,c的高度、宽度、深度和通道的图像,分别吗

有关更多信息,请参见数据存储深度学习。

数字数组

数据适合在内存中,并且不需要额外的处理等,您可以指定一个数据集的图像作为数字数组。

数值数组的大小和形状取决于图像数据的类型。

数据 格式
二维图像

h——- - - - - -w——- - - - - -c——- - - - - -N数字数组,h,w,c高度,宽度,和数字通道的图像,分别和N图像的数量吗
三维图像 h——- - - - - -w——- - - - - -d——- - - - - -c——- - - - - -N数字数组,h,w,d,c的高度、宽度、深度和通道的图像,分别和N图像的数量吗

表

作为替代数据存储或数值数组,您还可以指定表中的图片。

当你指定的图片在一个表,表中的每一行对应一个观察。

图像输入,预测必须在表的第一列,指定为以下之一:

  • 绝对或相对一个图像文件路径,指定为一个特征向量

  • 1×1细胞包含一个数组h——- - - - - -w——- - - - - -c数字数组代表一个二维图像,h,w,c对应的高度、宽度、分别和通道图像的数量

提示

输入复数的数据网络,SplitComplexInputs必须选择输入层1。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64|表
复数的支持:金宝app是的

顺序或时间序列数据,指定为以下之一。

数据类型 描述 示例使用
数据存储 TransformedDatastore 数据存储转换批次的数据从底层数据存储读取使用自定义转换函数

  • 变换数据存储与输出不支持的金宝app激活。

  • 自定义转换应用到数据存储输出。
CombinedDatastore 数据存储,读取从两个或两个以上的底层数据存储

  • 使用网络与多个输入作出预测。

  • 合并来自不同数据源的预测因子。
自定义mini-batch数据存储 自定义数据存储返回mini-batches的数据

使用数据进行预测,其他数据存储的格式不支持。金宝app

有关详细信息,请参见开发自定义Mini-Batch数据存储。
数字或单元阵列 一个序列指定为一个数值数组或一个指定的序列数据集作为数值数组的单元阵列 使用数据进行预测,适合在内存中,不需要额外的处理自定义转换。

数据存储

数据存储读mini-batches序列和响应。使用数据存储数据时不适合在内存中或当你想转换应用到数据。

这些数据存储直接兼容激活序列数据:

您可以使用其他通过使用内置的数据存储进行预测变换和结合功能。这些函数可以读取数据存储的数据转换为表或单元阵列格式要求激活。例如,您可以转换和组合数据从内存中读取数组,并使用一个CSV文件ArrayDatastore和一个TabularTextDatastore对象,分别。

数据存储必须返回数据表或单元阵列。自定义mini-batch数据存储必须输出表。

数据存储输出 示例输出
表 
data =阅读(ds)
data = 4×2表预测_____________{12×50双}{12×50双}{12×50双}{12×50双}
单元阵列 
data =阅读(ds)
data = 4×2单元阵列{12×50双}{12×50双}{12×50双}{12×50双}

预测的格式取决于类型的数据。

数据 格式的预测
向量序列

c——- - - - - -年代矩阵,c序列的特性和吗年代是序列长度
一维图像序列

h——- - - - - -c——- - - - - -年代数组,h和c对应于图像的高度和数量的渠道,分别年代是序列长度。

mini-batch中的每个序列必须具有相同的序列长度。
二维图像序列

h——- - - - - -w——- - - - - -c——- - - - - -年代数组,h,w,c对应的高度、宽度和通道图像的数量,分别年代是序列长度。

mini-batch中的每个序列必须具有相同的序列长度。
三维图像序列

h——- - - - - -w——- - - - - -d——- - - - - -c——- - - - - -年代数组,h,w,d,c对应的高度、宽度、深度和通道图像的数量,分别年代是序列长度。

mini-batch中的每个序列必须具有相同的序列长度。

预测表中返回的元素必须包含一个数字标量,数字行向量或1×1单元阵列包含一个数字数组。

有关更多信息,请参见数据存储深度学习。

数字或单元阵列

数据适合在内存中,并且不需要额外的处理像定制的转换,您可以指定一个序列作为序列的数字数组或一个数据集作为一个单元阵列的数字数组。

单元阵列输入,细胞必须是一个数组N1单元阵列的数字数组,N是观测的数量。数值数组的大小和形状代表序列取决于类型的序列数据。

输入 描述
向量序列 c——- - - - - -年代矩阵,c的特征序列的数量和吗年代是序列长度
一维图像序列 h——- - - - - -c——- - - - - -年代数组,h和c对应于图像的高度和数量的渠道,分别年代是序列长度
二维图像序列 h——- - - - - -w——- - - - - -c——- - - - - -年代数组,h,w,c对应的高度、宽度和通道的图像,分别年代是序列长度
三维图像序列 h——- - - - - -w——- - - - - -d——- - - - - -c——- - - - - -年代,在那里h,w,d,c对应高度、宽度、深度和通道数量的3 d图像,分别年代是序列长度

提示

输入复数的数据网络,SplitComplexInputs必须选择输入层1。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64|细胞
复数的支持:金宝app是的

特性数据,指定为以下之一。

数据类型 描述 示例使用
数据存储 TransformedDatastore 数据存储转换批次的数据从底层数据存储读取使用自定义转换函数

  • 变换数据存储与输出不支持的金宝app激活。

  • 自定义转换应用到数据存储输出。
CombinedDatastore 数据存储,读取从两个或两个以上的底层数据存储

  • 使用网络与多个输入作出预测。

  • 合并来自不同数据源的预测因子。
自定义mini-batch数据存储 自定义数据存储返回mini-batches的数据

使用数据进行预测,其他数据存储的格式不支持。金宝app

有关详细信息,请参见开发自定义Mini-Batch数据存储。
表 指定为一个表特性数据 使用数据存储在一个表中作出预测。
数字数组 特性数据指定为数字数组 使用数据进行预测,适合在内存中,不需要额外的处理自定义转换。

数据存储

数据存储读取mini-batches特征数据和响应。使用数据存储数据时不适合在内存中或当你想转换应用到数据。

这些数据存储直接兼容激活特性数据:

您可以使用其他通过使用内置的数据存储进行预测变换和结合功能。这些函数可以读取数据存储的数据转换为表或单元阵列格式要求激活。有关更多信息,请参见数据存储深度学习。

对于多个输入的网络,必须一个数据存储TransformedDatastore或CombinedDatastore对象。

数据存储必须返回一个表或一个单元阵列中的数据。自定义mini-batch数据存储必须输出表。数据存储的格式输出取决于网络体系结构。

网络体系结构 数据存储输出 示例输出
单个输入层

表或单元阵列和至少一个列,第一列指定预测。

表格元素必须标量、行向量或1×1细胞数组包含一个数字数组。

自定义mini-batch数据存储必须输出表。

表与一个输入网络:

data =阅读(ds)
data = 4×2表预测_____________{24×1双}{24×1双}{24×1双}{24×1双}

与一个输入单元阵列网络:

data =阅读(ds)
data = 4×1单元阵列{24×1双}{24×1双}{24×1双}{24×1双}
多个输入层

单元阵列至少numInputs列,numInputs是网络输入的数量。

第一个numInputs列指定每个输入的预测因子。

输入的顺序的InputNames网络的属性。

和两个输入单元阵列网络:

data =阅读(ds)
data = 4×3单元阵列{24×1双}{28×1双}{24×1双}{28×1双}{24×1双}{28×1双}{24×1双}{28×1双}

预测必须c1列向量,c的数量特征。

有关更多信息,请参见数据存储深度学习。

表

特性数据适合在内存中,并且不需要额外的处理像定制的转换,您可以指定特性数据和响应表。

表中的每一行对应一个观察。预测表中列的安排取决于任务的类型。

任务 预测
功能分类

特性中指定一个或多个列作为标量。

数字数组

特性数据适合在内存中,并且不需要额外的处理像定制的转换,您可以指定特性数据作为数字数组。

数字必须是一个数组N——- - - - - -numFeatures数字数组,N是观察和的数量吗numFeatures是功能的输入数据的数量。

提示

输入复数的数据网络,SplitComplexInputs必须选择输入层1。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64|表
复数的支持:金宝app是的

与多个输入数字或细胞阵列网络。

图像、序列和功能预测输入,预测必须匹配的格式描述的格式图片,序列,或特性参数描述,分别。

为一个例子,演示如何训练一个网络有多个输入,明白了列车网络形象和特征数据。

输入复数的数据网络,SplitComplexInputs必须选择输入层1。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64|细胞
复数的支持:金宝app是的

混合数据,指定为以下之一。

数据类型 描述 示例使用
TransformedDatastore 数据存储转换批次的数据从底层数据存储读取使用自定义转换函数

  • 使用网络与多个输入作出预测。

  • 变换输出的数据存储不支持金宝app激活所以他们所需的格式。

  • 自定义转换应用到数据存储输出。
CombinedDatastore 数据存储,读取从两个或两个以上的底层数据存储

  • 使用网络与多个输入作出预测。

  • 合并来自不同数据源的预测因子。
自定义mini-batch数据存储 自定义数据存储返回mini-batches的数据

使用数据进行预测,其他数据存储的格式不支持。金宝app

有关详细信息,请参见开发自定义Mini-Batch数据存储。

您可以使用其他通过使用内置的数据存储进行预测变换和结合功能。这些函数可以读取数据存储的数据转换为表或单元阵列格式要求激活。有关更多信息,请参见数据存储深度学习。

数据存储必须返回一个表或一个单元阵列中的数据。自定义mini-batch数据存储必须输出表。数据存储的格式输出取决于网络体系结构。

数据存储输出 示例输出

单元阵列与numInputs列,numInputs是网络输入的数量。

输入的顺序的InputNames网络的属性。

 
data =阅读(ds)
data = 4×3单元阵列{24×1双}{28×1双}{24×1双}{28×1双}{24×1双}{28×1双}{24×1双}{28×1双}

图像、序列和功能预测输入,预测必须匹配的格式描述的格式图片,序列,或特性参数描述,分别。

为一个例子,演示如何训练一个网络有多个输入,明白了列车网络形象和特征数据。

提示

数字数组转换为数据存储,使用arrayDatastore。

层提取激活,指定为一个数字索引或一个特征向量。

计算的激活SeriesNetwork对象,指定层使用数值指数,或作为一个特征向量对应层的名字。

计算的激活DAGNetwork对象,指定层作为特征向量对应层的名字。如果层有多个输出,指定层和输出层的名字,其次是性格“/”,紧随其后的是输出层的名称。也就是说,层的形式“layerName / outputName”。

例子:3

例子:“conv1”

例子:“mpool /出”

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

例子:MiniBatchSize = 256指定mini-batch大小为256。

的格式输出激活,指定为“通道”,“行”,或“列”。输出格式的描述,请参阅行为。

图像输入,如果OutputAs选择是“通道”,然后在输入的图像数据可以大于输入大小的图像网络的输入层。对于其他的输出格式,图像在输入必须有相同的大小作为输入图像网络的输入层的大小。

大小mini-batches用于预测,指定为一个正整数。大mini-batch大小需要更多的内存,但会导致更快的预测。

选项板、截断或分裂的输入序列,指定为以下之一:

  • “最长”——在每个mini-batch垫序列有相同的长度最长的序列。这个选项不丢弃任何数据,尽管填充网络会引入噪声。

  • “最短”——在每个mini-batch截断序列有相同的长度最短的序列。这个选项可以确保没有添加填充物,在丢弃的成本数据。

  • 正整数——对于每个mini-batch,垫的序列的长度最长mini-batch序列,然后把序列分割成较小的指定长度的序列。如果发生分裂,那么软件创建额外的mini-batches。如果指定的序列长度不均匀划分序列长度的数据,然后mini-batches包含结束这些序列长度短于指定的序列长度。使用这个选项如果完整的序列不适合在内存中。或者,试着减少序列的数量每mini-batch通过设置MiniBatchSize选择一个较低的值。

了解更多关于填充的效果,删除,并把输入序列,明白了序列填充、截断和分裂。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64|字符|字符串

盘输入序列值,指定为一个标量。

选择是有效的只有当SequenceLength是“最长”或者一个正整数。不垫序列南,因为这样做可以传播在整个网络错误。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

填充方向或截断,指定为以下之一:

  • “正确”——垫或截断序列在右边。序列开始在同一时间步和软件截断或添加填充序列的结束。

  • “左”——垫或截断序列在左边。软件截断或添加填充序列,序列的开始结束同时一步。

因为反复层过程序列数据一次一个时间步,当复发性层OutputMode属性是“最后一次”,任何填充在最后时间步可以负面影响层的输出。垫或截断左边序列数据,设置SequencePaddingDirection选项“左”。

sequence-to-sequence网络(当OutputMode属性是“序列”对于每一个周期性层),任何填充在第一次的步骤可以负面影响的预测更早的时间步骤。垫或截断序列数据在右边,设置SequencePaddingDirection选项“正确”。

了解更多关于填充的效果,删除,并把输入序列,明白了序列填充、截断和分裂。

性能优化,指定为以下之一:

  • “汽车”——自动应用一些优化适合输入网络和硬件资源。

  • “墨西哥人”——编译和执行一个墨西哥人的功能。该选项只有当你使用GPU。使用GPU需要并行计算工具箱和支持GPU设备。金宝app支持设备的信息,请参阅金宝appGPU计算的需求(并行计算工具箱)。如果并行计算工具箱或合适的GPU不可用,那么软件返回一个错误。

  • “没有”——禁用所有加速度。

如果加速度是“汽车”,然后用MATLAB®适用于许多兼容优化,不生成一个墨西哥人的功能。

的“汽车”和“墨西哥人”选项可以提供性能优势为代价增加初始运行时。后续调用与兼容的参数是更快。使用性能优化计划多次调用该函数时使用新的输入数据。

的“墨西哥人”选项生成并执行一个墨西哥人函数基于网络和参数在函数调用中使用。你可以有几个墨西哥人函数与一个网络。结算网络变量也清除任何墨西哥人功能与网络有关。

的“墨西哥人”选择权是当你使用一个单一的GPU。

使用“墨西哥人”选择,你必须有一个C / c++编译器安装和GPU编码器™界面深度学习库支持包。金宝app安装包使用MATLAB中金宝app的扩展浏览器的支持。设置说明,请参阅墨西哥人设置(GPU编码器)。GPU编码器不是必需的。

的“墨西哥人”选择包含层上列金宝app出的支持网络金宝app支持层(GPU编码器)页面,除了sequenceInputLayer和featureInputLayer对象。

MATLAB编译器™当你使用不支持部署金宝app网络“墨西哥人”选择。

硬件资源,指定为以下之一:

  • “汽车”——使用GPU如果可用;否则,使用CPU。

  • “图形”——使用GPU。使用GPU需要并行计算工具箱和支持GPU设备。金宝app支持设备的信息,请参阅金宝appGPU计算的需求(并行计算工具箱)。如果并行计算工具箱或合适的GPU不可用,那么软件返回一个错误。

  • “cpu”——使用CPU。

  • “multi-gpu”使用多个gpu在一台机器上,使用本地集群并行池基于默认概要文件。如果没有当前并行池,软件开始平行池,池大小等于可用gpu的数量。

  • “平行”——使用一个本地或远程并行池集群基于默认概要文件。如果没有当前并行池,集群软件开始使用默认概要文件。如果池访问GPU,那么只有工人有着独特的GPU执行计算。如果池没有gpu,那么计算发生在所有可用的CPU的工人。

更多信息在何时使用不同的执行环境,明白了并行扩展深度学习,在gpu上,在云端。

的“图形”,“multi-gpu”,“平行”选择需要并行计算工具箱。使用GPU深度学习,你也必须有一个支持GPU设备。金宝app支持设备的信息,请参阅金宝appGPU计算的需求(并行计算工具箱)。如果你选择其中一个选项和并行计算工具箱或合适的GPU不可用,那么软件返回一个错误。

与复发性进行预测与网络层(通过设置ExecutionEnvironment要么“multi-gpu”或“平行”),SequenceLength选项必须是“最短”或“最长”。

网络包含的自定义层状态参数不支持并行进行预测。金宝app

输出参数

全部折叠

从网络层激活,作为数字返回数组或单元格数值数组的数组。的格式行为取决于类型的输入数据,输出层的类型,并指定OutputAs选择。

图像或折叠顺序输出

如果层输出图像或折叠序列数据,行为是一个数字数组。

OutputAs 行为
“通道”

对于二维图像输出,行为是一个h——- - - - - -w——- - - - - -c——- - - - - -n数组,h,w,c高度,宽度,和数量的渠道选择的输出层,分别和n是图片的数量。在这种情况下,法》(::,:,我)包含的激活我th形象。

3 d图像输出,行为是一个h——- - - - - -w——- - - - - -d——- - - - - -c——- - - - - -n数组,h,w,d,c的高度、宽度、深度、数量的渠道选择的输出层,分别和n是图片的数量。在这种情况下,法案(::,:,:,我)包含的激活我th形象。

折叠的二维图像序列输出,行为是一个h——- - - - - -w——- - - - - -c————(n*年代)数组,h,w,c高度,宽度,和数量的渠道选择的输出层,分别n的组合数,年代是序列长度。在这种情况下,法》(:,:,:,(t - 1) * n + k)包含时间步的激活t的k序列。

折叠的3 d图像序列输出,行为是一个h——- - - - - -w——- - - - - -d——- - - - - -c————(n*年代)数组,h,w,d,c的高度、宽度、深度、数量的渠道选择的输出层,分别n的组合数,年代是序列长度。在这种情况下,法案(::,:,:,(t - 1) * n + k)包含时间步的激活t的k序列。
“行”

2 d和3 d图像输出,行为是一个n——- - - - - -米矩阵,n的图片和数量吗米是输出元素的层数。在这种情况下,法案(我,:)包含的激活我th形象。

折叠2 d和3 d图像序列输出,行为是一个(n*年代)———米矩阵,n是序列的数量,年代是序列长度,米是输出元素的层数。在这种情况下,法》((t - 1) * n + k,:)包含时间步的激活t的k序列。
“列”

2 d和3 d图像输出,行为是一个米——- - - - - -n矩阵,米从选择层是输出元素的数量和n是图片的数量。在这种情况下,法》(:,我)包含的激活我th形象。

折叠2 d和3 d图像序列输出,行为是一个米————(n*年代)矩阵,米从选择层是输出元素的数量,n的组合数,年代是序列长度。在这种情况下,法案(:,(t - 1) * n + k)包含时间步的激活t的k序列。

顺序输出

如果层输出序列(例如,LSTM层与输出模式“序列”),然后行为是一个单元阵列。在这种情况下,“OutputAs”选项必须是“通道”。

OutputAs 行为
“通道”

为向量序列输出,行为是一个n1单元阵列的c——- - - - - -年代矩阵,n是序列的数量,c序列的特性,年代是序列长度。

对二维图像序列输出,行为是一个n1单元阵列的h——- - - - - -w——- - - - - -c——- - - - - -年代矩阵,n是序列的数量,h,w,c高度,宽度,和渠道的数量的图像,分别和年代是序列长度。

3 d图像序列输出,行为是一个n1单元阵列的h——- - - - - -w——- - - - - -c——- - - - - -d——- - - - - -年代矩阵,n是序列的数量,h,w,d,c的高度、宽度、深度和通道图像的数量,分别和年代是序列长度。

在这些情况下,行为{我}包含的激活我序列。

特征向量和单一时间步输出

如果层输出一个特征向量或一个时间步的序列(例如,一个LSTM层与输出模式“最后一次”),然后行为是一个数字数组。

OutputAs 行为
“通道”

特征向量或一次包含矢量数据的步骤,行为是一个c——- - - - - -n矩阵,n是观察和的数量吗c的数量特征。

对于包含二维图像数据的一个时间步,行为是一个h——- - - - - -w——- - - - - -c——- - - - - -n数组,n序列和的数量吗h,w,c高度,宽度,和渠道的数量的图像,分别。

对于包含3 d图像数据的一个时间步,行为是一个h——- - - - - -w——- - - - - -c——- - - - - -d——- - - - - -n数组,n序列和的数量吗h,w,d,c的高度、宽度、深度和通道图像的数量,分别。
“行” n——- - - - - -米矩阵,n是观察和的数量吗米从选择层是输出元素的数量。在这种情况下,法案(我,:)包含的激活我序列。
“列” 米——- - - - - -n矩阵,米从选择层是输出元素的数量和n是观测的数量。在这种情况下,法》(:,我)包含的激活我th形象。

算法

当你训练一个网络使用trainNetwork函数,或者当你使用预测或验证功能DAGNetwork和SeriesNetwork对象,软件执行这些计算使用单精度浮点算术。包括功能训练、预测和验证trainNetwork,预测,分类,激活。软件使用单精度算法训练网络时使用的cpu和gpu。

引用

[1]奖赏,Mineichi,小君富山,学者Shimbo。“多维曲线分类使用通过地区。”模式识别的字母20日,没有。11 - 13日(1999年11月):1103 - 11所示。https://doi.org/10.1016/s0167 - 8655 (99) 00077 - x。

[2]UCI机器学习库:日本元音数据集。https://archive.ics.uci.edu/ml/datasets/Japanese +元音。

扩展功能

版本历史

介绍了R2016a

全部展开

另请参阅

|||

主题