featureInputLayer
特性输入层
创建
属性
例子
创建特征输入层
创建一个功能的输入图层的名称“输入”为观察21功能组成。
层= featureInputLayer(21日“名字”,“输入”)
层= FeatureInputLayer属性:名称:“输入”InputSize: 21 Hyperparameters正常化:“没有一个”NormalizationDimension:“汽车”
包括输入层的一个特征层数组中。
numFeatures = 21;numClasses = 3;层= [featureInputLayer numFeatures,“名字”,“输入”)fullyConnectedLayer (numClasses“名字”,“俱乐部”)softmaxLayer (“名字”,“sm”)classificationLayer (“名字”,“分类”)]
层= 4 x1层阵列层:1“输入”功能输入21特性2“俱乐部”完全连接3完全连接第三层“sm”Softmax Softmax crossentropyex 4分类的分类输出
结合图像和特征输入层
训练一个网络包含一个图像输入层和功能层,你必须使用一个dlnetwork对象在一个自定义训练循环。
定义输入图像的大小,每个观测的数量特征,类的数量、大小和数量的卷积的过滤层。
imageInputSize = [28 28 1];numFeatures = 1;numClasses = 10;filterSize = 5;numFilters = 16;
和两个输入层创建一个网络,你必须定义网络两部分,加入他们,例如,通过使用一个连接层。
定义网络的第一部分。定义图像分类层和包括一个连接层之前最后完全连接层。
层= [imageInputLayer imageInputSize,“归一化”,“没有”,“名字”,“图片”)convolution2dLayer (filterSize numFilters,“名字”,“conv”)reluLayer (“名字”,“relu”)fullyConnectedLayer (50,“名字”,“fc1”)concatenationLayer (1、2、“名字”,“concat”)fullyConnectedLayer (numClasses“名字”,“取得”)softmaxLayer (“名字”,“softmax”));
转换层一层图。
lgraph = layerGraph(层);
第二网络的一部分,添加一个特性输入层和连接到第二个输入的连接层。
featInput = featureInputLayer (numFeatures,“名字”,“特性”);lgraph = addLayers (lgraph featInput);lgraph = connectLayers (lgraph,“特性”,“concat / in2”);
可视化网络。
情节(lgraph)
创建一个dlnetwork对象。
dlnet = dlnetwork (lgraph)
dlnet = dlnetwork属性:层:x1 nnet.cnn.layer.Layer[8]连接:[7 x2表]可学的:[6 x3表)状态:[0 x3表]InputNames:{“图像”“特性”}OutputNames: {“softmax”}初始化:1
