卷积层

2-D卷积层

展开所有页面

描述

二维卷积层将滑动卷积滤波器应用于二维输入。该层通过沿输入垂直和水平移动滤波器，计算权重和输入的点积，然后添加偏差项，从而卷积输入。

创建

语法

层= convolution2dLayer (filterSize numFilters)

层=卷积2dlayer（filterSize、numFilters、名称、值）

描述

层= Convolution2Dlayer（filterSize，numFilters)创建一个2-D卷积层并设置FilterSize和NumFilters财产。

例子

层= Convolution2Dlayer（filterSize，numFilters，名称,值)设置可选的步行，膨胀因子，NumChannels，参数和初始化，学习率和正规化和姓名属性。若要指定输入填充，请使用“填充”名称值对参数。例如，Convolution2dlayer（11,96，'stride'，4，'填充'，1）创建一个带有96个滤镜的2d卷积层(11 11)一大步[4 4]，以及沿图层输入的所有边缘大小为1的填充。可以指定多个名称-值对。将每个属性名用单引号括起来。

输入参数

全部展开

名称-值对的观点

使用逗号分隔的名称 - 值对参数指定填充的大小以沿着图层的边缘添加或设置步行，膨胀因子，NumChannels，参数和初始化，学习率和正规化和姓名财产。用单引号附上名称。

例子:convolution2dLayer(16日“填充”,“相同”)创建一个带有16个大小过滤器的2d卷积层[3 3]和“一样”填充。在训练时，软件计算并设置填充的大小，使层输出的大小与输入的大小相同。

`填充`- - - - - -输入边缘填充
`[0 0 0 0]`（默认）|非负整数向量|`“一样”`

输入边填充，指定为逗号分隔对，由“填充”其中一个价值观是:

“一样”-增加软件在训练或预测时计算的大小填充，使步幅等于1时输出的大小与输入的大小相同。如果步幅大于1，则输出大小为装天花板(inputSize /步),在那里inputSize输入和输出的高度或宽度步是相应维度的步幅。如果可能，该软件将相同数量的填充物到顶部和底部以及左侧和右侧。如果必须垂直添加的填充具有奇数值，则软件将额外的填充添加到底部。如果必须水平添加的填充具有奇数值，则软件将右侧添加额外的填充。
非负整数p-添加大小填充p到输入的所有边。
向量[甲、乙]非负整数-添加大小填充一个输入的顶部和底部的填充大小b向左向右。
向量[t b l r]非负整数-添加大小填充t到顶端，b至底部，l向左，然后r在输入的右侧。

例子:'填充'，1将一行填充到顶部和底部，以及输入左侧和右侧的一列填充。

例子:“填充”，“相同”添加填充，使输出与输入具有相同的大小(如果步幅等于1)。

特性

全部展开

卷积

`FilterSize`- - - - - -过滤器的高度和宽度
两个正整数的向量

滤波器的高度和宽度，指定为向量[w h]两个正整数，其中h身高和身高是多少w是宽度。FilterSize定义神经元在输入中连接的本地区域的大小。

在创建图层时，可以指定FilterSize作为标量使用相同的值作为高度和宽度。

例子:5 [5]指定高度和宽度分别为5和5的过滤器。

`NumFilters`- - - - - -数量的过滤器
正整数

此属性是只读的。

筛选器数量，指定为正整数。该数字对应于连接到输入中的相同区域的卷积层中的神经元数。此参数确定卷积层输出中的通道（特征映射）的数量。

数据类型：单身的|双|int8|int16|int32|int64|uint8.|uint16|UINT32|UINT64

`步行`- - - - - -遍历输入的步长
`[1 1]`（默认）|两个正整数的向量

垂直和水平遍历输入的步长，指定为向量[甲、乙]两个正整数，其中一个是垂直阶梯尺寸和b为水平步长。在创建图层时，可以指定步行作为标量，对两步长使用相同的值。

例子:3 [2]指定垂直步长为2，水平步长为3。

`膨胀因子`- - - - - -扩张卷积的因子
`[1 1]`（默认）|两个正整数的向量

扩展卷积的因子(也称为无卷积)，指定为矢量[w h]两个正整数，其中h是垂直扩张和w是水平扩张。在创建图层时，可以指定膨胀因子作为标量，对水平和垂直膨胀使用相同的值。

使用扩张的卷积来增加层的接收场（图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。膨胀因子确定对输入进行采样的步长，或等效地确定滤波器的上采样因子。它对应于的有效过滤器大小为(过滤器的大小- 1) *膨胀系数+ 1。例如，具有扩张因子的3×3过滤器[2]相当于一个元素之间为零的5 × 5滤波器。

例子:3 [2]

`拼接`- - - - - -大小的填充
`[0 0 0 0]`（默认）|四个非负整数矢量

应用于输入边框的填充大小，指定为矢量[t b l r]四个非负整数，其中t是否将填充应用于顶部，b是底部的填充物，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”名称值对参数指定填充大小。

例子:[1 1 2 2]在输入的顶部和底部添加一行填充，并在输入的左侧和右侧添加两列填充。

`PaddingMode`- - - - - -确定填充大小的方法
`“手册”`（默认）|`“一样”`

确定填充大小的方法，指定为“手册”或“一样”．

软件会自动设置PaddingMode基于“填充”在创建图层时指定的值。

如果你设置了“填充”选项为标量或非负整数向量，则软件自动设置PaddingMode到“手册”．
如果你设置了“填充”选项“一样”，则软件自动设定PaddingMode到“一样”并计算训练时填充的大小，使stride等于1时输出的大小与输入的大小相同。如果步幅大于1，则输出大小为装天花板(inputSize /步),在那里inputSize输入和输出的高度或宽度步是相应维度的步幅。如果可能，该软件将相同数量的填充物到顶部和底部以及左侧和右侧。如果必须垂直添加的填充具有奇数值，则软件将额外的填充添加到底部。如果必须水平添加的填充具有奇数值，则软件将右侧添加额外的填充。

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

请注意

填充属性将在未来的版本中被删除。使用拼接相反，在创建图层时，请使用“填充”名称值对参数指定填充大小。

垂直和水平应用于输入边框的填充大小，指定为向量[甲、乙]两个非负整数，其中一个填充是否应用于输入数据的顶部和底部，以及b是应用于左边和右边的填充。

例子:[1 1]将一行填充到顶部和底部，以及输入左侧和右侧的一列填充。

`PaddingValue`- - - - - -值到填充数据
0（默认）|标量子|`“symmetric-include-edge”`|`'对称排除-Edge'`|`“复制”`

值来填充数据，指定为以下其中之一:

`PaddingValue`	描述	例子
标量	用指定的标量值填充。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 3. & 1 & 4 & 0 & 0 \\ 0 & 0 & 1 & 5 & 9 & 0 & 0 \\ 0 & 0 & 2 & 6 & 5 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \end{matrix} ］$
`“symmetric-include-edge”`	使用输入的镜像值(包括边值)填充。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \end{matrix} ］$
`'对称排除-Edge'`	使用输入的镜像值，不包括边沿值。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \end{matrix} ］$
`“复制”`	使用输入的重复边框元素填充	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 1 & 1 & 1 & 5 & 9 & 9 & 9 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \end{matrix} ］$

数据类型：单身的|双|int8|int16|int32|int64|uint8.|uint16|UINT32|UINT64|字符|细绳

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

每个过滤器的通道数，指定为“汽车”或者一个正整数。

此参数始终等于输入到卷积层的通道数。例如，如果输入是彩色图像，则输入的通道数为3。如果当前层之前卷积层的过滤器数为16，则当前层的通道数为16。

如果NumChannels是“汽车”，然后软件确定训练时的通道数。

例子:256.

参数和初始化

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

函数初始化权值，指定为以下其中之一:

“glorot”-使用gloria初始化器初始化权重［4］(也称为Xavier初始化器)。格洛特初始化器从均值和方差均为零的均匀分布中独立抽样2 / (numIn + numOut),在那里numIn = FilterSize (1) * FilterSize (2) * NumChannels和numOut = FilterSize (1) * FilterSize (2) * NumFilters．
“他”-使用He初始化器初始化权值［5］．他初始化来自正常分布的样本，零均值和方差2 / numIn,在那里numIn = FilterSize (1) * FilterSize (2) * NumChannels．
“窄正常”-从均值为零、标准差为0.01的正态分布中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),在那里SZ.是重量的大小。例如，请参见指定自定义权重初始化函数．

该层仅在以下情况下初始化权重：权重属性是空的。

数据类型：字符|细绳|function_handle

`双星化剂`- - - - - -初始化偏差的功能
`“零”`（默认）|`“窄正常”`|`“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。
“窄正常”-从均值为零、标准差为0.01的正态分布中独立抽样来初始化偏差。
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差=函数（sz）,在那里SZ.是偏差的大小。

该层仅在偏见属性是空的。

数据类型：字符|细绳|function_handle

`权重`- - - - - -层的重量
`［］`（默认）|数字数组

卷积层的层权重指定为数字数组。

图层权重是可学习的参数。您可以直接使用权重属性的层。当你训练一个网络，如果权重那个层的财产是非空的，然后trainNetwork使用权重属性作为初始值。如果权重属性为空trainNetwork使用由指定的初始值设定项WeightsInitializer属性的层。

在培训时,权重是A.过滤（1）——- - - - - -FilterSize (2)——- - - - - -NumChannels——- - - - - -NumFilters数组中。

数据类型：单身的|双

`偏见`- - - - - -层的偏见
`［］`（默认）|数字数组

卷积层的层偏置，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，如果偏见是不是空的，然后trainNetwork使用偏见属性作为初始值。如果偏见是空的,然后trainNetwork使用由指定的初始值设定项双星化剂．

在培训时,偏见是一个1-by-by-NumFilters数组中。

数据类型：单身的|双

学习率和正规化

`举重`- - - - - -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。

该软件将这个因子乘以全局学习率，以确定这一层权重的学习率。例如，如果举重是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培训选项函数。

数据类型：单身的|双|int8|int16|int32|int64|uint8.|uint16|UINT32|UINT64

`BiasLearnRateFactor`- - - - - -偏差学习率因素
`1`（默认）|负的标量

偏差的学习率因子，指定为非负标量。

该软件通过全局学习率乘以此因素来确定该层中偏差的学习率。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培训选项函数。

数据类型：单身的|双|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。

软件将该系数乘以全局系数l₂正则化因子的确定l₂正则化这一层的权重。例如，如果WeightL2Factor是2，那么l₂这一层权重的正则化是全局权重的两倍l₂正则化因素。您可以指定全局l₂使用正则化因子培训选项函数。

数据类型：单身的|双|int8|int16|int32|int64|uint8.|uint16|UINT32|UINT64

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

l₂偏差的正则化因子，指定为非负标量。

软件将该系数乘以全局系数l₂正则化因子的确定l₂正则化这一层的偏差。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正则化因素。您可以指定全局l₂使用正则化因子培训选项函数。

数据类型：单身的|双|int8|int16|int32|int64|uint8.|uint16|UINT32|UINT64

层

`姓名`- - - - - -层的名字
`＇＇`（默认）|字符向量|字符串标量

层名，指定为字符向量或字符串标量。为层阵列输入，trainNetwork，assembleNetwork，分层图和dlnetwork函数自动为层分配名称姓名设置为＇＇．

数据类型：字符|细绳

`NumInputs`- - - - - -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

`InputNames`- - - - - -输入名称
`{'in'}`(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`- - - - - -产出数量
`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

`OutputNames`- - - - - -输出的名字
`{'out'}`(默认)

此属性是只读的。

层的输出名称。此层只有一个输出。

数据类型：细胞

例子

全部折叠

创建卷积层

打开实时脚本

使用96个过滤器创建卷积层，每个滤波器具有高度和宽度11.在水平和垂直方向上使用4的步幅（步长）。

96年层= convolution2dLayer(11日“步”4)

layer = Convolution2DLayer with properties: Name: " Hyperparameters FilterSize: [11 11] NumChannels: 'auto' NumFilters: 96 Stride: [4 4] DilationFactor: [11] PaddingMode: 'manual' PaddingSize: [0 0 0] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

中包含一个卷积层层数组中。

[imageInputLayer([28 28 1])卷积2dlayer (5,20) reluLayer maxPooling2dLayer(2, 20))“步”，2) fulllyconnectedlayer (10) softmaxLayer classifier]

layers=7x1层阵列，带层：1''图像输入28x28x1图像，带“零中心”规格化2''卷积20 5x5卷积，带跨步[1]和填充[0 0 0 0 0 0 0]3''ReLU ReLU 4''最大池2x2最大池，带跨步[2]和填充[0 0 0 0 0 0]5''全连接10''全连接层6''Softmax Softmax 7''分类输出crossentropyex

在卷积层中指定初始权重和偏差

打开实时脚本

要指定权重和偏置初始化器功能，请使用WeightsInitializer和双星化剂属性分别。要直接指定权重和偏差，请使用权重和偏见属性分别。

指定初始化函数

创建一个带有32个过滤器的卷积层，每个过滤器的高度和宽度都为5，并指定权重初始化器为He初始化器。

filterSize=5；numFilters=32；layer=convolution2dLayer（filterSize，numFilters，......“WeightsInitializer”，“他”)

layer = Convolution2DLayer with properties: Name: " Hyperparameters FilterSize: [5 5] NumChannels: 'auto' NumFilters: 32 Stride: [1 1] DilationFactor: [1 1] PaddingMode: 'manual' PaddingSize: [0 0 0] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

请注意,权重和偏见属性是空的。在训练时，软件使用指定的初始化函数初始化这些属性。

指定自定义初始化函数

要为权重和偏置指定自己的初始化功能，请设置WeightsInitializer和双星化剂属性设置为函数句柄。对于这些属性，指定将权重和偏差的大小作为输入和输出初始化值的函数句柄。

创建一个包含32个过滤器的卷积层，每个过滤器的高度和宽度均为5，并指定初始值设定项，用于从标准偏差为0.0001的高斯分布中采样权重和偏差。

filterSize=5；numFilters=32；layer=convolution2dLayer（filterSize，numFilters，......“WeightsInitializer”， @(sz) rand(sz) * 0.0001，......“BiasInitializer”， @(sz) rand(sz) * 0.0001)

layer = Convolution2DLayer with properties: Name: " Hyperparameters FilterSize: [5 5] NumChannels: 'auto' NumFilters: 32 Stride: [1 1] DilationFactor: [1 1] PaddingMode: 'manual' PaddingSize: [0 0 0] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

再一次,权重和偏见属性是空的。在训练时，软件使用指定的初始化函数初始化这些属性。

直接指定权重和偏差

创建一个完整连接的层，输出大小为10，并设置权重和偏差W和b在MAT文件中Conv2dWeights.mat分别地

filterSize = 5;numFilters = 32;负载Conv2dWeights层= convolution2dLayer (filterSize numFilters,......“重量”W,......'偏见', b)

layer = Convolution2DLayer with properties: Name: " Hyperparameters FilterSize: [5 5] NumChannels: 3 NumFilters: 32 Stride: [1 1] DilationFactor: [1 1] PaddingMode: 'manual' PaddingSize: [0 0 0] PaddingValue: 0 Learnable Parameters Weights: [5x5x3x32 double] Bias: [1x1x32 double]显示所有属性

在这里,权重和偏见属性包含指定的值。在训练时，如果这些属性非空，则软件使用指定的值作为初始权重和偏差。在这种情况下，软件不使用初始值设定函数。

创建完全覆盖输入的卷积层

打开实时脚本

假设输入的大小为28×28-of-1。用16个过滤器创建卷积层，每个滤波的高度为6，宽度为4.将水平和垂直步幅设置为4。

确保卷积完全覆盖输入。为了使卷积完全覆盖输入，水平和垂直输出维度都必须是整数。如果水平输出尺寸为整数，则图像的顶部和底部需要一行填充:(28 - 6+ 2 * 1)/4 + 1 = 7。如果垂直输出尺寸为整数，则不需要填充零:(28 - 4+ 2 * 0)/4 + 1 = 7。

构建卷积层。

layer = convolution2dLayer([6 4]，16，“步”4“填充”1, [0])

layer = Convolution2DLayer with properties: Name: " Hyperparameters FilterSize: [6 4] NumChannels: 'auto' NumFilters: 16 Stride: [4 4] DilationFactor: [1 1] PaddingMode: 'manual' PaddingSize: [1 1 0] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

兼容性考虑

全部展开

默认权重初始化是gloria

行为在R2019a中改变

从R2019a开始，软件默认使用gloria初始化器初始化该层的层权值。这种行为有助于稳定训练，通常减少深度网络的训练时间。

在以前的版本中，软件默认从均值为零、方差为0.01的正态分布中抽样，初始化层权重。要重现这种行为，请设置“WeightsInitializer”选项的层“窄正常”．

参考文献

莱昆，Y. B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard，和L. D. jackkel。“基于反向传播网络的手写数字识别”在神经信息处理系统的进步2(杜雷兹基编)。旧金山:摩根·考夫曼，1990年。

勒昆(LeCun)、L.博图(L. Bottou)、Y.本吉奥(Y. Bengio)和P. Haffner。“梯度学习在文档识别中的应用”。IEEE论文集．1998年第86卷第11期，第2278-2324页。

[3] Murphy，K。P.机器学习：概率的观点．马萨诸塞州剑桥:麻省理工学院出版社，2012。

[4] 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》，年第十三届人工智能和统计国际会议记录, 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。计算机视觉，2015。

扩展能力

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项及限制:

对于代码生成，PaddingValue参数必须等于0，这是默认值。

GPU代码生成
使用GPU编码器为NVIDIA®GPU生成CUDA®代码™.

使用注意事项及限制:

对于代码生成，PaddingValue参数必须等于0，这是默认值。

另请参阅

主题

介绍了R2016a

^［1］图片来源:卷积算术（许可证)

卷积层

描述

创建

语法

描述

输入参数

填充- - - - - -输入边缘填充[0 0 0 0]（默认）|非负整数向量|“一样”

特性

卷积

FilterSize- - - - - -过滤器的高度和宽度两个正整数的向量

NumFilters- - - - - -数量的过滤器正整数

步行- - - - - -遍历输入的步长[1 1]（默认）|两个正整数的向量

膨胀因子- - - - - -扩张卷积的因子[1 1]（默认）|两个正整数的向量

拼接- - - - - -大小的填充[0 0 0 0]（默认）|四个非负整数矢量

PaddingMode- - - - - -确定填充大小的方法“手册”（默认）|“一样”

填充- - - - - -大小的填充[0 0]（默认）|两个非负整数的向量

PaddingValue- - - - - -值到填充数据0（默认）|标量子|“symmetric-include-edge”|'对称排除-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”|“窄正常”|“零”|“的”|函数处理

双星化剂- - - - - -初始化偏差的功能“零”（默认）|“窄正常”|“的”|函数处理

权重- - - - - -层的重量［］（默认）|数字数组

偏见- - - - - -层的偏见［］（默认）|数字数组

学习率和正规化

举重- - - - - -权重的学习率因子1（默认）|负的标量

BiasLearnRateFactor- - - - - -偏差学习率因素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偏差的正则化因素0（默认）|负的标量

层

姓名- - - - - -层的名字＇＇（默认）|字符向量|字符串标量

NumInputs- - - - - -输入数量1(默认)

InputNames- - - - - -输入名称{'in'}(默认)

NumOutputs- - - - - -产出数量1(默认)

OutputNames- - - - - -输出的名字{'out'}(默认)

例子

创建卷积层

在卷积层中指定初始权重和偏差

创建完全覆盖输入的卷积层

更多关于

卷积层

兼容性考虑

默认权重初始化是gloria

参考文献

扩展能力

C / c++代码生成使用MATLAB®Coder™生成C和c++代码。

GPU代码生成使用GPU编码器为NVIDIA®GPU生成CUDA®代码™.

另请参阅

主题

深度学习工具箱文档

金宝app

介绍基于MATLAB的深度学习

`填充`- - - - - -输入边缘填充
`[0 0 0 0]`（默认）|非负整数向量|`“一样”`

`FilterSize`- - - - - -过滤器的高度和宽度
两个正整数的向量

`NumFilters`- - - - - -数量的过滤器
正整数

`步行`- - - - - -遍历输入的步长
`[1 1]`（默认）|两个正整数的向量

`膨胀因子`- - - - - -扩张卷积的因子
`[1 1]`（默认）|两个正整数的向量

`拼接`- - - - - -大小的填充
`[0 0 0 0]`（默认）|四个非负整数矢量

`PaddingMode`- - - - - -确定填充大小的方法
`“手册”`（默认）|`“一样”`

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

`PaddingValue`- - - - - -值到填充数据
0（默认）|标量子|`“symmetric-include-edge”`|`'对称排除-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”`|`“窄正常”`|`“零”`|`“的”`|函数处理

`双星化剂`- - - - - -初始化偏差的功能
`“零”`（默认）|`“窄正常”`|`“的”`|函数处理

`权重`- - - - - -层的重量
`［］`（默认）|数字数组

`偏见`- - - - - -层的偏见
`［］`（默认）|数字数组

`举重`- - - - - -权重的学习率因子
`1`（默认）|负的标量

`BiasLearnRateFactor`- - - - - -偏差学习率因素
`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偏差的正则化因素
`0`（默认）|负的标量

`姓名`- - - - - -层的名字
`＇＇`（默认）|字符向量|字符串标量

`NumInputs`- - - - - -输入数量
`1`(默认)

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

`NumOutputs`- - - - - -产出数量
`1`(默认)

`OutputNames`- - - - - -输出的名字
`{'out'}`(默认)

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

GPU代码生成
使用GPU编码器为NVIDIA®GPU生成CUDA®代码™.