convolution1dLayer

一维卷积层

全部展开页面

描述

一维卷积层将滑动卷积滤波器应用于一维输入。该层通过沿输入移动滤波器并计算权重和输入的点积，然后添加偏置项来卷积输入。

层卷积的维度取决于层的输入:

对于时间序列和矢量序列输入(与通道、观测值和时间步骤对应的三维数据)，该层在时间维度上进行卷积。
对于一维图像输入(与空间像素、通道和观测值对应的三维数据)，该层在空间维度上进行卷积。
对于一维图像序列输入(数据有四个维度，对应于空间像素、通道、观测值和时间步长)，该层在空间维度上卷积。

创造

语法

层=卷积1dLayer（filterSize，numFilters）

层=卷积1dLayer（filterSize，numFilters，Name=Value）

描述

例子

层=卷积层(filterSize，numFilters）创建一维卷积层并设置FilterSize和NumFilters属性。

层=卷积层(filterSize，numFilters，名称=值）还设置了可选的大步走，DilationFactor，NumChannels，参数和初始化，学习率和正规化,名称属性使用一个或多个名称-值参数。要指定输入填充，使用填充名称-值参数。例如,卷积1层（11,96，填充=1）创建一个1- d卷积层，包含96个大小为11的过滤器，并在层输入的左边和右边指定大小为1的填充。

输入参数

全部展开

名称-值对的观点

指定可选参数对为名称1=Value1，…，名称n=ValueN哪里名称参数名和价值是对应的值。名称值参数必须出现在其他参数之后，但对的顺序无关紧要。

例子：卷积1层（11,96，填充=1）创建一个1- d卷积层，包含96个大小为11的过滤器，并在层输入的左边和右边指定大小为1的填充。

`填充`- - - - - -应用于输入的填充
`[0 0]`（默认）|`“相同”`|`“因果”`|非负整数|非负整数的向量

要应用于输入的填充，指定为以下内容之一：

“相同”-应用填充，使输出大小为装天花板(inputSize /步)哪里输入大小为输入的长度。当大步走是1，输出与输入大小相同。
“因果”-对输入应用左填充，等于(FilterSize - 1) .*膨胀因子．当大步走是1，输出与输入大小相同。
非负整数深圳-添加大小填充深圳输入的两端。
向量(l r)非负整数的填充-添加大小的填充l向左和向右r在输入的右侧。

例子：填充= (2 - 1)在输入的左边添加大小为2的填充，在右边添加大小为1的填充。

数据类型：单|双重的|int8|int16|int32|int64|uint8|uint16|uint32|uint64|烧焦|一串

性质

全部展开

卷积

`FilterSize`- - - - - -宽度的过滤器
正整数

此属性是只读的。

筛选器的宽度，指定为正整数。

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

`NumFilters`- - - - - -数量的过滤器
正整数

此属性是只读的。

筛选器数，指定为正整数。这个数字对应于卷积层中连接到输入中相同区域的神经元数量。此参数确定卷积层输出中的通道数（特征贴图）。

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

`大步走`- - - - - -遍历输入的步长
`1`（默认）|正整数

遍历输入的步长，指定为正整数。

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

`DilationFactor`- - - - - -扩张卷积的因子
`1`（默认）|正整数

扩张卷积的因子(也称为无功卷积)，指定为正整数。

使用扩大的卷积增加该层的感受野（该层可以看到的输入区域），而不增加参数或计算的数量。

该层通过在每个过滤器元素之间插入零来扩展过滤器。膨胀因子决定了采样输入的步长，或者等效地，滤波器的上采样因子。它对应的有效过滤器尺寸为*膨胀因子+ 1．例如，一个1 × 3的滤波器，其膨胀系数为2等效于元素之间带零的1×5滤波器。

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

`PaddingSize`- - - - - -大小的填充
`[0 0]`（默认）|两个非负整数的向量

要应用于输入的每一边的填充的大小，指定为矢量(l r)两个非负整数，其中l填充是否应用于左侧和r是应用到右边的填充。

当你创建一个图层时，使用填充参数指定填充大小。

数据类型：双重的

`PaddingMode`- - - - - -确定填充大小的方法
`“手动”`（默认）|`“相同”`|`“因果关系”`

此属性是只读的。

确定填充大小的方法，具体如下:

“手动”–使用指定的整数或向量填充填充．
“相同”-应用填充，使输出大小为装天花板(inputSize /步)哪里输入大小为输入的长度。当大步走是1，输出与输入相同。
“因果关系”-应用因果填充。用填充大小填充输入的左侧(FilterSize - 1) .*膨胀因子．

要指定图层填充，请使用填充名称-值参数。

数据类型：烧焦

`PaddingValue`- - - - - -值到填充数据
`0`（默认）|标量|`“symmetric-include-edge”`|`“symmetric-exclude-edge”`|`“复制”`

此属性是只读的。

填充数据的值，指定为以下值之一：

`PaddingValue`	描述	例子
标量	用指定的标量值填充。	$［ \begin{matrix} 3. & 1 & 4 \end{matrix} ］ \to ［ \begin{matrix} 0 & 0 & 3. & 1 & 4 & 0 & 0 \end{matrix} ］$
`“symmetric-include-edge”`	使用输入的镜像值（包括边值）填充。	$［ \begin{matrix} 3. & 1 & 3. \end{matrix} ］ \to ［ \begin{matrix} 1 & 3. & 3. & 1 & 4 & 4 & 1 \end{matrix} ］$
`“symmetric-exclude-edge”`	使用镜像输入值(不包括边值)的Pad。	$［ \begin{matrix} 3. & 1 & 4 \end{matrix} ］ \to ［ \begin{matrix} 4 & 1 & 3. & 1 & 4 & 1 & 3. \end{matrix} ］$
`“复制”`	使用输入的重复边框元素填充。	$［ \begin{matrix} 3. & 1 & 3. \end{matrix} ］ \to ［ \begin{matrix} 3. & 3. & 3. & 1 & 4 & 4 & 4 \end{matrix} ］$

数据类型：单|双重的|int8|int16|int32|int64|uint8|uint16|uint32|uint64|烧焦|一串

`NumChannels`- - - - - -每个滤波器的通道数
`“汽车”`（默认）|正整数

此属性是只读的。

每个滤波器的通道数，指定为“汽车”或正整数。

如果NumChannels是“汽车”，则软件在训练时自动确定通道的数量。

数据类型：单|双重的|int8|int16|int32|int64|uint8|uint16|uint32|uint64|烧焦|一串

参数和初始化

`WeightsInitializer`- - - - - -函数初始化权重
`“glorot”`（默认）|`“他”`|`“narrow-normal”`|`“零”`|`“的”`|函数处理

函数初始化权重，指定为以下值之一：

“glorot”-使用gloria初始化器初始化权重［1］（也称为Xavier初始值设定项）。Glorot初始值设定项从均匀分布中独立采样，平均值为零，方差为2 / (numIn + numOut)哪里numIn = FilterSize * NumChannels和numOut=FilterSize*NumFilters．
“他”-使用He初始化器初始化权值［2］. He初始值设定项从均值和方差为零的正态分布采样2 / numIn哪里numIn = FilterSize * NumChannels．
“narrow-normal”-通过从均值为0、标准差为0.01的正态分布独立抽样来初始化权重。
“零”—初始化权值为0。
“的”—使用“1”初始化权重。
函数句柄——用自定义函数初始化权重。如果指定函数句柄，则该函数必须是这种形式的重量= func(深圳)哪里深圳是权重的大小。有关示例，请参见指定自定义权重初始化函数．

属性时，层才初始化权重权重属性是空的。

数据类型：烧焦|一串|function_handle

`BiasInitializer`- - - - - -函数初始化偏差
`“零”`（默认）|`“narrow-normal”`|`“的”`|函数处理

函数初始化偏差，指定为以下任意一个:

“零”–用零初始化偏差。
“的”-用1初始化偏差。
“narrow-normal”–通过从平均值为零、标准偏差为0.01的正态分布中独立取样来初始化偏差。
函数句柄——用自定义函数初始化偏差。如果指定函数句柄，则该函数必须是这种形式的偏见= func(深圳)哪里深圳是偏差的大小。

该层仅在偏见属性是空的。

数据类型：烧焦|一串|function_handle

`权重`- - - - - -层重
`[]`（默认）|数字数组

卷积层的层权重，指定为数字数组。

层权值是可学习的参数。属性可以直接指定权重的初始值权重属性的层。当你训练一个网络，如果权重属性为非空，则trainNetwork使用权重属性作为初始值。如果权重属性为空trainNetwork属性指定的初始化式WeightsInitializer属性的层。

在培训时,权重是一个FilterSize-借-NumChannels-借-NumFilters数组中。

数据类型：单|双重的

`偏见`- - - - - -层偏差
`[]`（默认）|数字数组

卷积层的层偏差，指定为数字数组。

层偏差是可学习的参数。当你训练一个网络，如果偏见那么，它是非空的trainNetwork使用偏见属性作为初始值。如果偏见是空的,然后trainNetwork使用指定的初始化式BiasInitializer．

在培训时,偏见是1 -NumFilters数组中。

数据类型：单|双重的

学习率和正规化

`加权比率因子`- - - - - -权重的学习率因子
`1`（默认）|负的标量

权值的学习率因子，指定为非负标量。

软件将该系数乘以全局学习率，以确定该层中权重的学习率。例如，如果加权比率因子是2，则该层权重的学习率为当前全局学习率的两倍。该软件根据您指定的设置来确定全局学习率trainingOptions函数。

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

`BiasLearnRateFactor`- - - - - -偏差的学习率系数
`1`（默认）|负的标量

偏差的学习率因子，指定为非负标量。

软件将这个因子乘以全局学习率，以确定这一层偏差的学习率。例如,如果BiasLearnRateFactor是2，则该层偏差的学习率是当前全局学习率的两倍。该软件根据您指定的设置来确定全局学习率trainingOptions函数。

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

`WeightL2Factor`- - - - - -l₂权重的正则化因子
1（默认）|负的标量

l₂权值的正则化因子，指定为非负标量。

软件将这个因素乘以全球l₂正则化因子的确定l₂此层中权重的正则化。例如，如果WeightL2Factor是2,那么l₂该层中权重的正则化是全局权重的两倍l₂正则化因子。您可以指定全局变量l₂正则化因子trainingOptions函数。

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

`BiasL2Factor`- - - - - -l₂偏差的正则化因子
`0`（默认）|负的标量

l₂偏差的正则化因子，指定为非负标量。

软件将这个因素乘以全球l₂正则化因子的确定l₂此层中偏差的正则化。例如，如果BiasL2Factor是2,那么l₂这一层偏见的正规化程度是全球的两倍l₂正则化因子。您可以指定全局变量l₂正则化因子trainingOptions函数。

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

层

`名称`- - - - - -层的名字
`＇＇`（默认）|特征向量|字符串标量

层名，指定为字符向量或字符串标量。为层数组输入trainNetwork，assembleNetwork，layerGraph,数据链路网络函数会自动将名称指定给具有名称设置为＇＇．

数据类型：烧焦|一串

`努明普茨`- - - - - -输入数量
`1`（默认）

此属性是只读的。

层的输入数。这一层只接受单个输入。

数据类型：双重的

`InputNames`- - - - - -输入名称
`{'在'}`（默认）

此属性是只读的。

输入层名。这一层只接受单个输入。

数据类型：细胞

`NumOutputs`- - - - - -数量的输出
`1`（默认）

此属性是只读的。

层输出的数量。这一层只有一个输出。

数据类型：双重的

`OutputNames`- - - - - -输出的名字
`{“出”}`（默认）

此属性是只读的。

输出层的名称。这一层只有一个输出。

数据类型：细胞

例子

全部折叠

创建一维卷积层

打开生活的脚本

创建一个1-D卷积层，96个宽度为11的滤镜。

层= convolution1dLayer (96)

layer = Convolution1DLayer with properties: Name: " Hyperparameters FilterSize: 11 NumChannels: 'auto' NumFilters: 96 Stride: 1 DilationFactor: 1 PaddingMode: 'manual' PaddingSize: [0 0] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

包含一个一维卷积层层数组中。

layers = [sequenceInputLayer(12) convolution1dLayer(11,96) reluLayer globalMaxPooling1dLayer fulllyconnectedlayer (10) softmaxLayer classificationLayer]

层x1 = 7层阵列层:1“12维度2序列输入序列输入”卷积96 11旋转步1和填充[0 0]3”ReLU ReLU 4”一维全球最大池一维全球最大池5“完全连接10完全连接层6”Softmax Softmax crossentropyex 7”分类输出

算法

全部展开

一维卷积层

一维卷积层将滑动卷积滤波器应用于一维输入。该层通过沿输入移动滤波器并计算权重和输入的点积，然后添加偏置项来卷积输入。

层卷积的维度取决于层的输入:

对于时间序列和矢量序列输入(与通道、观测值和时间步骤对应的三维数据)，该层在时间维度上进行卷积。
对于一维图像输入(与空间像素、通道和观测值对应的三维数据)，该层在空间维度上进行卷积。
对于一维图像序列输入(数据有四个维度，对应于空间像素、通道、观测值和时间步长)，该层在空间维度上卷积。

图层输入和输出格式

层阵列或层图中的层传递指定为格式化的数据dlarray对象。

你可以和它们互动dlarray自动差异化工作流中的对象，例如使用functionLayer对象，或使用向前和预测功能与数据链路网络对象。

a支持的输入格式金宝appConvolution1DLayer对象和相应的输出格式。如果将图层的输出传递给不是从中继承的自定义图层nnet.layer.Formattable类，或FunctionLayer反对Formattable选项设置为假，则该层接收未格式化的dlarray对象，其尺寸顺序与此表中列出的格式相对应。

输入格式	输出格式
`“SCB”`(空间、通道、批处理)	`“SCB”`(空间、通道、批处理)
`“认知行为治疗”`(通道、批量、时间)	`“认知行为治疗”`(通道、批量、时间)
`“SCBT”`(空间、通道、批处理、时间)	`“SCBT”`(空间、通道、批处理、时间)

参考文献

[1] 格洛特、泽维尔和约书亚·本吉奥，《理解训练深度前馈神经网络的困难》，年第十三届国际人工智能和统计会议论文集, 249 - 356。撒丁岛，意大利:AISTATS, 2010。

何开明，张翔宇，任少青，孙健深入研究整流器:在图像网分类上超越人类水平的表现。在2015 IEEE计算机视觉国际会议论文集，1026–1034。华盛顿特区：IEEE计算机视觉学会，2015年。

另请参阅

主题

介绍了R2021b

convolution1dLayer

描述

创造

语法

描述

输入参数

填充- - - - - -应用于输入的填充[0 0]（默认）|“相同”|“因果”|非负整数|非负整数的向量

性质

卷积

FilterSize- - - - - -宽度的过滤器正整数

NumFilters- - - - - -数量的过滤器正整数

大步走- - - - - -遍历输入的步长1（默认）|正整数

DilationFactor- - - - - -扩张卷积的因子1（默认）|正整数

PaddingSize- - - - - -大小的填充[0 0]（默认）|两个非负整数的向量

PaddingMode- - - - - -确定填充大小的方法“手动”（默认）|“相同”|“因果关系”

PaddingValue- - - - - -值到填充数据0（默认）|标量|“symmetric-include-edge”|“symmetric-exclude-edge”|“复制”

NumChannels- - - - - -每个滤波器的通道数“汽车”（默认）|正整数

参数和初始化

WeightsInitializer- - - - - -函数初始化权重“glorot”（默认）|“他”|“narrow-normal”|“零”|“的”|函数处理

BiasInitializer- - - - - -函数初始化偏差“零”（默认）|“narrow-normal”|“的”|函数处理

权重- - - - - -层重[]（默认）|数字数组

偏见- - - - - -层偏差[]（默认）|数字数组

学习率和正规化

加权比率因子- - - - - -权重的学习率因子1（默认）|负的标量

BiasLearnRateFactor- - - - - -偏差的学习率系数1（默认）|负的标量

WeightL2Factor- - - - - -l2权重的正则化因子1（默认）|负的标量

BiasL2Factor- - - - - -l2偏差的正则化因子0（默认）|负的标量

层

名称- - - - - -层的名字＇＇（默认）|特征向量|字符串标量

努明普茨- - - - - -输入数量1（默认）

InputNames- - - - - -输入名称{'在'}（默认）

NumOutputs- - - - - -数量的输出1（默认）

OutputNames- - - - - -输出的名字{“出”}（默认）

例子

创建一维卷积层

算法

一维卷积层

图层输入和输出格式

参考文献

另请参阅

主题

深度学习工具箱文档

金宝app

用MATLAB引入深度学习

`填充`- - - - - -应用于输入的填充
`[0 0]`（默认）|`“相同”`|`“因果”`|非负整数|非负整数的向量

`FilterSize`- - - - - -宽度的过滤器
正整数

`NumFilters`- - - - - -数量的过滤器
正整数

`大步走`- - - - - -遍历输入的步长
`1`（默认）|正整数

`DilationFactor`- - - - - -扩张卷积的因子
`1`（默认）|正整数

`PaddingSize`- - - - - -大小的填充
`[0 0]`（默认）|两个非负整数的向量

`PaddingMode`- - - - - -确定填充大小的方法
`“手动”`（默认）|`“相同”`|`“因果关系”`

`PaddingValue`- - - - - -值到填充数据
`0`（默认）|标量|`“symmetric-include-edge”`|`“symmetric-exclude-edge”`|`“复制”`

`NumChannels`- - - - - -每个滤波器的通道数
`“汽车”`（默认）|正整数

`WeightsInitializer`- - - - - -函数初始化权重
`“glorot”`（默认）|`“他”`|`“narrow-normal”`|`“零”`|`“的”`|函数处理

`BiasInitializer`- - - - - -函数初始化偏差
`“零”`（默认）|`“narrow-normal”`|`“的”`|函数处理

`权重`- - - - - -层重
`[]`（默认）|数字数组

`偏见`- - - - - -层偏差
`[]`（默认）|数字数组

`加权比率因子`- - - - - -权重的学习率因子
`1`（默认）|负的标量

`BiasLearnRateFactor`- - - - - -偏差的学习率系数
`1`（默认）|负的标量

`WeightL2Factor`- - - - - -l₂权重的正则化因子
1（默认）|负的标量

`BiasL2Factor`- - - - - -l₂偏差的正则化因子
`0`（默认）|负的标量

`名称`- - - - - -层的名字
`＇＇`（默认）|特征向量|字符串标量

`努明普茨`- - - - - -输入数量
`1`（默认）

`InputNames`- - - - - -输入名称
`{'在'}`（默认）

`NumOutputs`- - - - - -数量的输出
`1`（默认）

`OutputNames`- - - - - -输出的名字
`{“出”}`（默认）