transposedConv2dLayer

转置二维卷积层

所有的页面崩溃

语法

层= transposedConv2dLayer (filterSize numFilters)

层= transposedConv2dLayer (filterSize numFilters、名称、值)

描述

一层转置二维卷积upsamples特征图。

这一层有时被错误地称为“反褶积”或“deconv”层。这一层是卷积的转置和不执行反褶积。

层= transposedConv2dLayer (filterSize,numFilters)返回一个转置二维卷积层和设置filterSize和numFilters属性。

例子

层= transposedConv2dLayer (filterSize,numFilters,名称,值)返回一个转置二维卷积层和指定附加选项使用一个或多个名称-值对参数。

例子

全部折叠

创建转置回旋的层

打开生活的脚本

与96年创建一个转置卷积层过滤器,每个11的高度和宽度。使用4在水平和垂直方向上的步伐。

96年层= transposedConv2dLayer(11日“步”4);

输入参数

全部折叠

`filterSize`- - - - - -高度和宽度的过滤器
向量的两个正整数

高度和宽度的过滤器,指定为一个向量的两个正整数[w h],在那里h是身高和w是宽度。FilterSize定义了局部区域的大小的神经元连接的输入。

如果你设置FilterSize使用一个输入参数,那么您可以指定FilterSize作为维标量使用相同的值。

例子:5 [5]指定过滤器的高度和宽度5。

`numFilters`- - - - - -数量的过滤器
正整数

的过滤器,指定为一个正整数。这个号码对应的层神经元数量输入连接到同一个地区。这个参数决定渠道的数量(特征图)卷积的输出层。

例子:96年

名称-值参数

指定可选的逗号分隔条名称,值参数。的名字参数名称和吗价值相应的价值。的名字必须出现在引号。您可以指定几个名称和值对参数在任何顺序Name1, Value1,…,的家。

例子:“裁剪”,1

转置卷积

全部折叠

`步`- - - - - -Up-sampling因素
`1`(默认)|向量的两个正整数|正整数

Up-sampling因素的输入,指定为以下之一:

一个向量的两个正整数[b],在那里一个垂直步吗b是水平的步伐。
一个正整数对应的垂直和水平的步伐。

例子:“步”,[2 1]

`裁剪`- - - - - -减少输出尺寸
`0`(默认)|`“相同”`|非负整数|向量的两个非负整数

输出尺寸减少,指定为以下之一:

“相同”——集种植,这样输出大小=inputSize。*步,在那里inputSize输入层的高度和宽度。如果你设置“种植”选项“相同”,那么软件自动设置CroppingMode层的属性“相同”。
软件从顶部和底部修剪等量,左和右,如果可能的话。如果垂直作物有一个奇怪的价值,那么软件从底部去掉一个额外的行。如果有一个奇怪的价值水平作物金额,然后软件从右边去掉一个额外的列。
一个正整数,作物从所有的边指定数量的数据。
一个向量的非负整数[b]——作物一个从顶部和底部和作物b从左和右。
一个向量[t b l r]——作物t,b,l,r从上、下、左、右的输入,分别。

如果你设置“种植”选择一个数值,然后软件自动设置CroppingMode层的属性“手动”。

例子:(1 2)

`NumChannels`- - - - - -通道数量为每个过滤器
`“汽车”`(默认)|正整数

每个过滤器渠道,指定为“NumChannels”,“汽车”或者一个正整数。

这个参数的数量必须等于输入渠道卷积层。例如,如果输入是一个彩色图像,然后输入渠道的数量必须是3。如果数字滤波器的卷积层之前,当前层是16,那么这一层渠道的数量必须是16。

参数和初始化

全部折叠

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

初始化权重函数,指定为以下之一:

“glorot”——初始化权重Glorot初始值设定项[1](也称为Xavier初始化)。Glorot初始化样本独立均匀分布与零均值和方差2 / (numIn + numOut),在那里numIn = filterSize (1) * filterSize (2) * NumChannels,numOut = filterSize (1) * filterSize (2) * numFilters,NumChannels输入通道的数量。
“他”——初始化权重的初始值设定项[2]。他初始化样本正态分布与零均值和方差2 / numIn,在那里numIn = filterSize (1) * filterSize (2) * NumChannels和NumChannels输入通道的数量。
“narrow-normal”——初始化权重独立抽样从正态分布与零均值和标准偏差0.01。
“零”——初始化权重为零。
“的”——初始化权重的。
函数处理——使用一个自定义函数初始化权重。如果你指定一个函数处理,那么必须表单的功能重量= func(深圳),在那里深圳权重的大小。例如,看到的指定自定义权重的初始化函数。

层只初始化时的重量权重属性是空的。

数据类型:字符|字符串|function_handle

`BiasInitializer`- - - - - -函数来初始化倾向
`“零”`(默认)|`“narrow-normal”`|`“的”`|函数处理

函数初始化倾向,指定为以下之一:

“零”——初始化与零偏差。
“的”——初始化倾向。
“narrow-normal”——初始化倾向独立抽样从正态分布与零均值和标准偏差0.01。
函数处理与自定义函数——初始化倾向。如果你指定一个函数处理,那么必须表单的功能偏见= func(深圳),在那里深圳偏差的大小。

层时才初始化倾向偏见属性是空的。

数据类型:字符|字符串|function_handle

`权重`- - - - - -层的重量
`[]`(默认)|数字数组

层权重卷积层,指定为数字数组。

层权重可学的参数。您可以指定权重的初始值直接使用权重层的属性。当你训练一个网络,如果权重属性层的非空的trainNetwork使用权重属性的初始值。如果权重属性是空的,那么trainNetwork使用指定的初始化程序WeightsInitializer层的属性。

在培训时,权重是一个filterSize (1)——- - - - - -filterSize (2)——- - - - - -numFilters——- - - - - -NumChannels数组中。

数据类型:单|双

`偏见`- - - - - -层的偏见
`[]`(默认)|数字数组

一层一层偏见的卷积,指定为一个数字数组。

层偏差是可学的参数。当你训练一个网络,如果偏见非空的,那么trainNetwork使用偏见属性的初始值。如果偏见是空的,然后trainNetwork使用指定的初始化程序BiasInitializer。

在培训时,偏见是一个1-by-1-by——numFilters数组中。

数据类型:单|双

学习速率、正规化

全部折叠

`WeightLearnRateFactor`- - - - - -学习速率因子权重
`1`(默认)|负的标量

学习速率因子权重,指定为负的标量。

软件由全球学习速率繁殖这个因素确定权重的学习速率这一层。例如,如果WeightLearnRateFactor是2,然后在这一层权值的学习速率是当前全球学习速率的两倍。全球学习速率决定了基于的软件设置您指定使用trainingOptions函数。

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

`BiasLearnRateFactor`- - - - - -学习速率因子偏见
`1`(默认)|负的标量

学习速率因子的偏见,指定为负的标量。

软件由全球学习速率繁殖这个因素来确定学习速率的偏见在这一层。例如,如果BiasLearnRateFactor是2,那么学习速率的偏见层是当前全球学习速率的两倍。全球学习速率决定了基于的软件设置您指定使用trainingOptions函数。

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

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

l₂正则化因子权重,指定为负的标量。

全球的软件增加这个因素l₂正则化因子来确定l₂正则化这一层的权重。例如,如果WeightL2Factor是2,那么l₂正则化这一层的权重是全球的两倍l₂正则化因子。您可以指定全球l₂正则化因子使用trainingOptions函数。

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

`BiasL2Factor`- - - - - -l₂正则化因子的偏见
`0`(默认)|负的标量

l₂正则化因子的偏见,指定为负的标量。

全球的软件增加这个因素l₂正则化因子来确定l₂在这一层正规化的偏见。例如,如果BiasL2Factor是2,那么l₂正规化的偏见这一层是全球的两倍l₂正则化因子。您可以指定全球l₂正则化因子使用trainingOptions函数。

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

层

全部折叠

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

图层名称,指定为一个特征向量或字符串标量。为层数组输入,trainNetwork,assembleNetwork,layerGraph,dlnetwork函数自动分配层的名称的名字设置为”。

数据类型:字符|字符串

输出参数

全部折叠

`层`——转置二维卷积层
`TransposedConvolution2DLayer`对象

转置二维卷积层,作为一个返回TransposedConvolution2DLayer对象。

兼容性的考虑

全部展开

默认初始化权重Glorot

行为改变R2019a

从R2019a开始,软件,默认情况下,初始化层使用Glorot初始化这一层的权重。这种行为可以帮助稳定培训和通常减少深层网络的训练时间。

在以前的版本中,软件,默认情况下,初始化层的抽样权重0.01零均值和方差的正态分布。复制这种行为,设置“WeightsInitializer”层的选项“narrow-normal”。

引用

[1]Glorot,泽维尔,Yoshua Bengio。“理解的难度训练前馈神经网络。”In《十三人工智能国际会议上和统计,249 - 356。意大利撒丁岛:AISTATS, 2010。

[2]他开明、象屿张任Shaoqing,剑太阳。“深深入整流器:超越人类表现ImageNet分类。”In学报2015年IEEE计算机视觉国际会议,1026 - 1034。华盛顿特区:IEEE计算机视觉的社会,2015年。

扩展功能

C / c++代码生成
生成C和c++代码使用MATLAB®编码器™。

使用笔记和限制:

代码生成不支持输入的不对称剪裁。金宝app例如,指定一个向量[t b l r]为“种植”作物参数,下,左,右的输入不支持。金宝app

GPU的代码生成
生成NVIDIA的CUDA®代码®GPU使用GPU编码器™。

另请参阅

averagePooling2dLayer|maxPooling2dLayer|TransposedConvolution2DLayer|SoftmaxLayer

主题

介绍了R2017b

transposedConv2dLayer

语法

描述