检查自定义层有效性- MATLAB和Simulink MathWorks澳大利金宝app亚 - 金宝app,下载188bet金宝搏,金宝搏官方网站

检查自定义层有效性

如果你创建一个定制的深度学习层,那么您可以使用checkLayer函数检查层是有效的。函数检查层有效性,GPU兼容性,正确定义渐变和代码生成的兼容性。一层是有效的检查,运行以下命令:

validInputSize checkLayer(层)

层层和的一个实例吗validInputSize是一个向量或细胞数组指定有效的输入层大小。与多个观察,检查使用ObservationDimension选择。运行检查代码生成兼容性,设置CheckCodegenCompatibility选项1(真正的)。对于大的输入大小,梯度检查运行的时间较长。加快检查,指定一个较小的有效输入的大小。

检查自定义层有效性

打开生活的脚本

检查示例自定义层的有效性preluLayer。

自定义图层preluLayer附加到这个例子作为支持文件,PReLU操作适用于输入数据。金宝app进入这一层,打开这个例子作为一个活的脚本。

创建一个实例的层。

层= preluLayer;

因为层有一个自定义的初始化函数,初始化层使用networkDataFormat对象,该对象指定预期的一个输入的大小和格式的观察典型的输入层。

指定一个有效的输入的大小(24日24日20)维度对应的高度,宽度,和前一层的输出渠道的数量。

validInputSize =(24日24日20);布局= networkDataLayout (validInputSize,“SSC”);层=初始化(层、布局);

检查层使用有效性checkLayer。指定有效输入大小尺寸一样大小用来初始化层。当你通过网络传递数据,预计4 - d数组输入层,其中第一三维对应高度,宽度,和前面的通道数层输出,和第四维对应于观测。

validInputSize checkLayer(层)

跳过multi-observation测试。与多个观察,使测试指定“ObservationDimension”选项。对于二维图像数据,设置“ObservationDimension”4。3 d图像数据,设置“ObservationDimension”5。对序列数据,设置“ObservationDimension”2。跳过GPU测试。不兼容的GPU设备发现。跳过代码生成的兼容性测试。检查代码生成层的有效性,指定“CheckCodegenCompatibility”和“ObservationDimension”选项。nnet.checklayer运行。测试LayerWithoutBackward .......... .. Done nnet.checklayer.TestLayerWithoutBackward __________ Test Summary: 12 Passed, 0 Failed, 0 Incomplete, 16 Skipped. Time elapsed: 0.054851 seconds.

结果显示通过,失败,跳过测试。如果你不指定ObservationsDimension选项,或没有GPU,那么相对应的函数跳过测试。

检查多个观测

multi-observation图像输入、图层预计的观察大小的数组h——- - - - - -w——- - - - - -c——- - - - - -N,在那里h,w,c高度,宽度,和数量的渠道,分别和N是观测的数量。

检查层有效性为多个观察,指定的大小的观察和设置ObservationDimension选项4。

checkLayer(层、validInputSize ObservationDimension = 4)

跳过GPU测试。不兼容的GPU设备发现。跳过代码生成的兼容性测试。检查代码生成层的有效性,指定“CheckCodegenCompatibility”和“ObservationDimension”选项。nnet.checklayer运行。测试LayerWithoutBackward .......... ........ Done nnet.checklayer.TestLayerWithoutBackward __________ Test Summary: 18 Passed, 0 Failed, 0 Incomplete, 10 Skipped. Time elapsed: 0.030498 seconds.

在这种情况下,函数层没有发现任何问题。

测试列表

的checkLayer函数检查自定义层的有效性通过执行一系列测试。

中间的层

的checkLayer函数使用这些测试来检查的有效性定义中间层(层类型nnet.layer.Layer)。

测试	描述
`functionSyntaxesAreCorrect`	层功能定义正确的语法。
`predictDoesNotError`	`预测`函数没有错误。
`forwardDoesNotError`	当指定时,`向前`函数没有错误。
`forwardPredictAreConsistentInSize`	当`向前`是指定的,`向前`和`预测`输出值的大小相同。
`backwardDoesNotError`	当指定时,`落后的`没有错误。
`backwardIsConsistentInSize`	当`落后的`指定的输出`落后的`的大小是一致的: 金融衍生品对每个输入都是一样的大小相应的输入。金融衍生品对每个可学的参数都是一样的大小相应的可学的参数。
`predictIsConsistentInType`	的输出`预测`与输入类型是一致的。
`forwardIsConsistentInType`	当`向前`指定的输出`向前`与输入类型是一致的。
`backwardIsConsistentInType`	当`落后的`指定的输出`落后的`与输入类型是一致的。
`gradientsAreNumericallyCorrect`	当`落后的`是指定的,梯度计算的`落后的`与数值梯度相一致。
`backwardPropagationDoesNotError`	当`落后的`没有指定,金融衍生品可以是计算使用自动分化。
`predictReturnsValidStates`	层与国家性质的`预测`函数返回有效状态。
`forwardReturnsValidStates`	层与国家性质的`向前`函数,如果指定,返回有效状态。
`resetStateDoesNotError`	层与国家性质的`resetState`函数,如果指定,没有错误和重置状态有效状态。
`codegenPragmaDefinedInClassDef`	的编译指示`“% # codegen”`对于代码生成类文件中指定。
`layerProperties金宝appSupportCodegen`	图层属性支持代码生成。金宝app
`predict金宝appSupportsCodegen`	`预测`有效期为代码生成。
`doesNotHaveStateProperties`	对于代码生成,层没有状态属性。
`functionLayer金宝appSupportsCodegen`	代码生成的图层功能必须指定路径和函数`Formattable`属性必须`0`(假)。

一些测试运行多次。这些测试也检查不同的数据类型和GPU的兼容性:

predictIsConsistentInType
forwardIsConsistentInType
backwardIsConsistentInType

GPU执行层函数,函数必须支持的输入和输出类型金宝appgpuArray与底层数据类型单。

输出层

的checkLayer函数使用这些测试来检查的有效性定义输出层(层类型nnet.layer.ClassificationLayer或nnet.layer.RegressionLayer)。

测试	描述
`forwardLossDoesNotError`	`forwardLoss`没有错误。
`backwardLossDoesNotError`	`backwardLoss`没有错误。
`forwardLossIsScalar`	的输出`forwardLoss`是标量。
`backwardLossIsConsistentInSize`	当`backwardLoss`指定的输出`backwardLoss`的大小是一致的:`dLdY`都是一样的尺寸的预测吗`Y`。
`forwardLossIsConsistentInType`	的输出`forwardLoss`类型是一致的:`损失`同一类型的预测吗`Y`。
`backwardLossIsConsistentInType`	当`backwardLoss`指定的输出`backwardLoss`类型是一致的:`dLdY`必须是相同类型的预测吗`Y`。
`gradientsAreNumericallyCorrect`	当`backwardLoss`是指定的,梯度计算的`backwardLoss`数字是正确的。
`backwardPropagationDoesNotError`	当`backwardLoss`没有指定,金融衍生品可以是计算使用自动分化。

的forwardLossIsConsistentInType和backwardLossIsConsistentInType测试还检查GPU兼容性。GPU执行层函数,函数必须支持的输入和输出类型金宝appgpuArray与底层数据类型单。

生成的数据

检查层有效性checkLayer函数生成数据的类型取决于层:

层类型生成的数据的描述

中间值的范围(1,- 1)

回归输出预测与价值观和目标范围(1,1)

分类输出

层类型	生成的数据的描述
中间	值的范围(1,- 1)
回归输出	预测与价值观和目标范围(1,1)
分类输出	预测的值区间[0,1]。如果你指定`ObservationDimension`选项,目标是在一个炎热的编码向量(矢量包含一个1,0其他地方)。如果你不指定`ObservationDimension`选项,然后目标区间[0,1]中的值。

预测的值区间[0,1]。

如果你指定ObservationDimension选项,目标是在一个炎热的编码向量(矢量包含一个1,0其他地方)。

如果你不指定ObservationDimension选项,然后目标区间[0,1]中的值。

检查多个观察,使用指定观察维度ObservationDimension选择。如果您指定观察维度,那么checkLayer函数检查层函数是有效的使用生成的数据和mini-batches大小为1和2。如果不指定这个名称-值对,那么函数跳过测试,检查多个观测层功能是有效的。

诊断

如果测试失败时使用checkLayer,那么功能提供了一个测试诊断和诊断框架。测试诊断强调任何问题发现的层。框架的诊断提供更详细的信息。

功能语法

测试functionSyntaxesAreCorrect检查层函数定义正确语法。

测试诊断	描述	可能的解决方案
`不正确的输入参数数量的“预测”层`。	的语法`预测`功能不符合层输入的数量。	指定正确的输入和输出参数的数量`预测`。的`预测`函数的语法取决于类型的层。 `Z =预测(层,X)`将输入数据转发`X`通过层和输出结果`Z`,在那里`层`只有一个输入和一个输出。 `[Z,状态]=预测(层,X)`也输出更新的状态参数`状态`,在那里`层`只有一个状态参数。你可以调整层的语法与多个输入,多个输出,或多个状态参数: 与多个输入层,取代`X`与`X1,…, XN`,在那里`N`输入的数量。的`NumInputs`属性必须匹配`N`。与多个输出层,取代`Z`与`Z1,…, ZM评选`,在那里`米`是输出的数量。的`NumOutputs`属性必须匹配`米`。层具有多个状态参数,替换`状态`与`state1,…, stateK`,在那里`K`是状态参数的数量。提示如果输入层可以不同的数量,然后使用`变长度输入宗量`而不是`X1,…, XN`。在这种情况下,`变长度输入宗量`是一个单元阵列的输入,在哪里`变长度输入宗量{我}`对应于`习`。如果输出的数量可以改变,那么使用`varargout`而不是`Z1、…、锌`。在这种情况下,`varargout`是一个单元阵列的输出,在哪里`varargout {j}`对应于`Zj`。提示如果有一个自定义层`dlnetwork`为一种可习得的参数对象,然后在`预测`自定义功能层,使用`预测`函数`dlnetwork`。当你这样做,`dlnetwork`对象`预测`函数使用适当的预测层操作。如果`dlnetwork`也有状态参数,然后返回网络状态。
`输出参数的数量不正确的“预测”层`	的语法`预测`功能不一致的层数输出。
`不正确的输入参数数量“向前”层`	可选的语法`向前`功能不符合层输入的数量。	指定正确的输入和输出参数的数量`向前`。的`向前`函数的语法取决于类型的层: `Z =前进(层,X)`将输入数据转发`X`通过层和输出结果`Z`,在那里`层`只有一个输入和一个输出。 `[Z,状态]=前进(层,X)`也输出更新的状态参数`状态`,在那里`层`只有一个状态参数。 `(__、内存)=(层,X)转发`也为一个自定义的内存返回一个值`落后的`函数使用任何以前的语法。如果层有一个定制的`向前`功能和自定义`落后的`函数,那么这个函数必须返回一个内存值。你可以调整层的语法与多个输入,多个输出,或多个状态参数: 与多个输入层,取代`X`与`X1,…, XN`,在那里`N`输入的数量。的`NumInputs`属性必须匹配`N`。与多个输出层,取代`Z`与`Z1,…, ZM评选`,在那里`米`是输出的数量。的`NumOutputs`属性必须匹配`米`。层具有多个状态参数,替换`状态`与`state1,…, stateK`,在那里`K`是状态参数的数量。提示如果输入层可以不同的数量,然后使用`变长度输入宗量`而不是`X1,…, XN`。在这种情况下,`变长度输入宗量`是一个单元阵列的输入,在哪里`变长度输入宗量{我}`对应于`习`。如果输出的数量可以改变,那么使用`varargout`而不是`Z1、…、锌`。在这种情况下,`varargout`是一个单元阵列的输出,在哪里`varargout {j}`对应于`Zj`。提示如果有一个自定义层`dlnetwork`为一种可习得的参数对象,然后在`向前`自定义功能层,使用`向前`的函数`dlnetwork`对象。当你这样做,`dlnetwork`对象`向前`函数使用适当的层操作培训。
`输出参数的数量不正确的“前进”层`	可选的语法`向前`功能不一致的层数输出。
`不正确的输入参数为“落后”层`	可选的语法`落后的`功能不一致的输入和输出层的数量。	指定正确的输入和输出参数的数量`落后的`。的`落后的`函数的语法取决于类型的层。 `dLdX =向后(层,X, Z, dLdZ,内存)`返回衍生品`dLdX`损失对层的输入,在那里`层`只有一个输入和一个输出。`Z`对应的函数输出和向前发展`dLdZ`对应的导数对损失`Z`。函数的输入`内存`对应的内存输出函数。 `[dLdX, dLdW] =向后(层,X, Z, dLdZ,内存)`还返回导数`dLdW`的损失就可学会的参数,在哪里`层`只有一个可学的参数。 `[dLdX, dLdSin] =向后(层,X, Z, dLdZ dLdSout,内存)`还返回导数`dLdSin`失去对国家输入,在哪里`层`一个状态参数和吗`dLdSout`对应的导数损失对层状态输出。 `[dLdX, dLdW dLdSin] =向后(层,X, Z, dLdZ dLdSout,内存)`还返回导数`dLdW`的损失可学的参数和返回的导数`dLdSin`的损失对层状态输入,在哪里`层`只有一个状态参数和单一可学的参数。你可以调整层的语法与多个输入,多个输出,多个可学的参数,或多个状态参数: 与多个输入层,取代`X`和`dLdX`与`X1,…, XN`和`dLdX1,…, dLdXN`分别在哪里`N`输入的数量。与多个输出层,取代`Z`和`dLdZ`与`Z1,…, ZM评选`和`dLdZ1,…, dLdZM`分别在哪里`米`是输出的数量。层具有多个可学的参数替换`dLdW`与`dLdW1,…, dLdWP`,在那里`P`是可学的参数的数量。层具有多个状态参数,替换`dLdSin`和`dLdSout`与`dLdSin1,…, dLdSinK`和`dLdSout1,…, dLdSoutK`分别在哪里`K`是状态参数的数量。以减少内存使用,防止未使用的变量保存之间向前和向后传递,更换相应的输入参数`~`。提示如果输入的数量`落后的`可以改变,然后使用吗`变长度输入宗量`而不是后输入参数`层`。在这种情况下,`变长度输入宗量`是一个单元阵列的输入,第一个在哪里`N`对应的元素`N`输入层,下一个`米`对应的元素`米`输出层,下一个`米`元素对应的衍生品亏损的`米`输出层,下一个`K`对应的元素`K`对衍生品的损失`K`国家输出,和最后一个元素对应`内存`。如果输出的数量可以改变,那么使用`varargout`而不是输出参数。在这种情况下,`varargout`是一个单元阵列的输出,第一个在哪里`N`对应的元素`N`对衍生品的损失`N`输入层,下一个`P`元素对应的衍生品亏损的`P`可学的参数,和未来`K`元素对应的衍生品亏损的`K`状态输入。提示如果层转发功能的支持金宝app`dlarray`对象,那么软件自动决定了落后的函数,您不需要指定`落后的`函数。支持的功能列表金宝app`dlarray`对象,看到与dlarray支持函数的列表金宝app。
`输出参数的数量不正确为“落后”层`	可选的语法`落后的`功能不一致的层数输出。

对于层具有多个输入或输出,您必须设置图层属性的值NumInputs(或者,InputNames),NumOutputs(或者,OutputNames分别)层构造函数。

多观察

的checkLayer函数检查对单个和多个观测层功能有效。检查多个观察,使用指定观察维度ObservationDimension选择。如果您指定观察维度,那么checkLayer函数检查层函数是有效的使用生成的数据和mini-batches大小为1和2。如果不指定这个名称-值对,那么函数跳过测试,检查多个观测层功能是有效的。

测试诊断描述可能的解决方案

测试诊断	描述	可能的解决方案
`跳过multi-observation测试。与多个观察,使检查指定的ObservationDimension checkLayer参数`。	如果你不指定`“ObservationDimension”`参数`checkLayer`,然后跳过功能测试,检查与多个观测数据。	使用命令`checkLayer(层、validInputSize ObservationDimension,昏暗的)`,在那里`层`自定义层的一个实例,`validInputSize`是一个向量指定层的有效输入大小,然后呢`昏暗的`指定层的维度观察的输入。有关更多信息,请参见层输入大小。

跳过multi-observation测试。与多个观察,使检查指定的ObservationDimension checkLayer参数。

如果你不指定“ObservationDimension”参数checkLayer,然后跳过功能测试,检查与多个观测数据。

使用命令checkLayer(层、validInputSize ObservationDimension,昏暗的),在那里层自定义层的一个实例,validInputSize是一个向量指定层的有效输入大小,然后呢昏暗的指定层的维度观察的输入。

有关更多信息,请参见层输入大小。

功能没有错误

这些测试检查层不输入数据的有效传递数据时错误的大小。

中间层次。测试predictDoesNotError,forwardDoesNotError,backwardDoesNotError检查层功能不错误时通过输入有效的大小。如果你指定一个观察维度,那么这个函数检查层的一个观察和多个观测。

测试诊断	描述	可能的解决方案
`函数“预测”抛出一个错误:`	的`预测`函数传递数据时错误的大小`validInputSize`。	地址中描述的错误`框架的诊断`部分。提示如果层转发功能的支持金宝app`dlarray`对象,那么软件自动决定了落后的函数,您不需要指定`落后的`函数。支持的功能列表金宝app`dlarray`对象,看到与dlarray支持函数的列表金宝app。
`函数“向前”抛出一个错误:`	可选`向前`函数传递数据时错误的大小`validInputSize`。
`函数“向后”抛出一个错误:`	可选`落后的`当通过输出功能错误`预测`。

输出层。测试forwardLossDoesNotError和backwardLossDoesNotError检查层功能不错误时通过输入有效的大小。如果你指定一个观察维度,那么这个函数检查层的一个观察和多个观测。

测试诊断	描述	可能的解决方案
`函数的forwardLoss抛出一个错误:`	的`forwardLoss`函数传递数据时错误的大小`validInputSize`。	地址中描述的错误`框架的诊断`部分。提示如果`forwardLoss`功能支持金宝app`dlarray`对象,那么软件自动决定了落后的损失函数,您不需要指定`backwardLoss`函数。支持的功能列表金宝app`dlarray`对象,看到与dlarray支持函数的列表金宝app。
`函数的backwardLoss抛出一个错误:`	可选`backwardLoss`函数传递数据时错误的大小`validInputSize`。

输出的大小是一致的

这些测试检查输出层函数的大小是一致的。

中间层次。测试backwardIsConsistentInSize检查落后的函数输出正确的大小的衍生品。

的落后的函数的语法取决于类型的层。

dLdX =向后(层,X, Z, dLdZ,内存)返回衍生品dLdX损失对层的输入,在那里层只有一个输入和一个输出。Z对应的函数输出和向前发展dLdZ对应的导数对损失Z。函数的输入内存对应的内存输出函数。
[dLdX, dLdW] =向后(层,X, Z, dLdZ,内存)还返回导数dLdW的损失就可学会的参数,在哪里层只有一个可学的参数。
[dLdX, dLdSin] =向后(层,X, Z, dLdZ dLdSout,内存)还返回导数dLdSin失去对国家输入,在哪里层一个状态参数和吗dLdSout对应的导数损失对层状态输出。
[dLdX, dLdW dLdSin] =向后(层,X, Z, dLdZ dLdSout,内存)还返回导数dLdW的损失可学的参数和返回的导数dLdSin的损失对层状态输入,在哪里层只有一个状态参数和单一可学的参数。

你可以调整层的语法与多个输入,多个输出,多个可学的参数,或多个状态参数:

与多个输入层,取代X和dLdX与X1,…, XN和dLdX1,…, dLdXN分别在哪里N输入的数量。
与多个输出层,取代Z和dLdZ与Z1,…, ZM评选和dLdZ1,…, dLdZM分别在哪里米是输出的数量。
层具有多个可学的参数替换dLdW与dLdW1,…, dLdWP,在那里P是可学的参数的数量。
层具有多个状态参数,替换dLdSin和dLdSout与dLdSin1,…, dLdSinK和dLdSout1,…, dLdSoutK分别在哪里K是状态参数的数量。

以减少内存使用,防止未使用的变量保存之间向前和向后传递,更换相应的输入参数~。

提示

如果输入的数量落后的可以改变,然后使用吗变长度输入宗量而不是后输入参数层。在这种情况下,变长度输入宗量是一个单元阵列的输入,第一个在哪里N对应的元素N输入层,下一个米对应的元素米输出层,下一个米元素对应的衍生品亏损的米输出层,下一个K对应的元素K对衍生品的损失K国家输出,和最后一个元素对应内存。

如果输出的数量可以改变,那么使用varargout而不是输出参数。在这种情况下,varargout是一个单元阵列的输出,第一个在哪里N对应的元素N对衍生品的损失N输入层,下一个P元素对应的衍生品亏损的P可学的参数,和未来K元素对应的衍生品亏损的K状态输入。

衍生品dLdX1、…dLdXn必须是相同的大小相应的层输入,然后呢dLdW1…, dLdWk必须是相同的大小相应的可学的参数。输入数据的大小必须是一致的单个和多个观测。

测试诊断	描述	可能的解决方案
`不正确的大小的dLdX“落后”`。	衍生品的损失对层的输入必须是相同的大小相应的层输入。	返回衍生品`dLdX1…, dLdXn`与同样大小的输入相应的层`X1,…, Xn`。
`不正确的大小的导数损失对输入“三机”“落后”`	衍生品的损失对层的输入必须是相同的大小相应的层输入。	返回衍生品`dLdX1…, dLdXn`与同样大小的输入相应的层`X1,…, Xn`。
`大小的“Z”从“向前”必须回来一样“预测”`。	的输出`预测`必须相同尺寸的相应输出吗`向前`。	返回输出`Zm评选Z1,…`的`预测`相同的大小相应的输出`Zm评选Z1,…`的`向前`。
`不正确的大小的导数损失对“W”“落后”`。	衍生品的损失对可学的参数必须是相同的大小相应的可学的参数。	返回衍生品`dLdW1…, dLdWk`相同的大小相应的可学的参数`W1、…工作`。

提示

如果层转发功能的支持金宝appdlarray对象,那么软件自动决定了落后的函数,您不需要指定落后的函数。支持的功能列表金宝appdlarray对象,看到与dlarray支持函数的列表金宝app。

输出层。测试forwardLossIsScalar检查输出的forwardLoss函数是标量。当backwardLoss指定函数,测试backwardLossIsConsistentInSize检查输出的forwardLoss和backwardLoss是正确的大小。

的语法forwardLoss是损失= forwardLoss(层,Y, T)。输入Y对应于所做的预测网络。这些预测是上一层的输出。输入T对应的培训目标。输出损失之间的损失Y和T根据指定的损失函数。输出损失必须是标量。

如果forwardLoss功能支持金宝appdlarray对象,那么软件自动决定了落后的损失函数,您不需要指定backwardLoss函数。支持的功能列表金宝appdlarray对象,看到与dlarray支持函数的列表金宝app。

的语法backwardLoss是dLdY = backwardLoss(层,Y, T)。输入Y包含由网络和预测T包含了培训目标。输出dLdY的导数是损失的预测吗Y。输出dLdY作为层输入必须相同尺寸的Y。

测试诊断描述可能的解决方案

测试诊断	描述	可能的解决方案
`不正确的大小的“损失”“forwardLoss”`。	输出`损失`的`forwardLoss`必须是一个标量。	返回的输出`损失`作为一个标量。例如,如果你有多个值的损失,那么你可以使用`的意思是`或`总和`。
`不正确的大小的导数损失“dLdY”“backwardLoss”`。	当`backwardLoss`指定,衍生品的损失对一层一层输入必须相同大小的输入。	返回导数`dLdY`与同样大小的输入层`Y`。如果`forwardLoss`功能支持金宝app`dlarray`对象,那么软件自动决定了落后的损失函数,您不需要指定`backwardLoss`函数。支持的功能列表金宝app`dlarray`对象,看到与dlarray支持函数的列表金宝app。

不正确的大小的“损失”“forwardLoss”。

输出损失的forwardLoss必须是一个标量。

返回的输出损失作为一个标量。例如,如果你有多个值的损失,那么你可以使用的意思是或总和。

不正确的大小的导数损失“dLdY”“backwardLoss”。

当backwardLoss指定,衍生品的损失对一层一层输入必须相同大小的输入。

返回导数dLdY与同样大小的输入层Y。

一致的数据类型和GPU兼容性

这些测试检查输出层函数是一致的在类型和层功能GPU兼容。

如果层转发功能完全支持金宝appdlarray对象,则GPU兼容层。否则,必须支持GPU兼容,层功能的输入并返回输出类型金宝appgpuArray(并行计算工具箱)。

许多MATLAB^®内置函数支持金宝appgpuArray(并行计算工具箱)和dlarray输入参数。支持的功能列表金宝appdlarray对象,看到与dlarray支持函数的列表金宝app。对GPU执行的函数的列表,看看运行在GPU MATLAB函数(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)。在MATLAB与gpu的更多信息,见在MATLAB GPU计算(并行计算工具箱)。

中间层次。测试predictIsConsistentInType,forwardIsConsistentInType,backwardIsConsistentInType正确检查层函数输出变量的数据类型。测试检查层函数返回一致的数据类型时输入的数据类型单,双,gpuArray与底层类型单或双。

提示

如果你preallocate数组使用等功能0,那么你必须确保这些数组的数据类型是一致的输入层功能。创建一个数组相同数据类型的零作为另一个数组,使用“喜欢”选择0。例如,初始化一个数组大小的0深圳具有相同数据类型的数组X,使用Z = 0(深圳,“喜欢”,X)。

测试诊断	描述	可能的解决方案
`不正确类型的“Z”“预测”`。	输出的类型`Zm评选Z1,…`的`预测`函数必须与输入一致`X1,…, Xn`。	返回输出`Zm评选Z1,…`与相同类型的输入`X1,…, Xn`。
`不正确类型的输出着干活的“预测”`。	输出的类型`Zm评选Z1,…`的`预测`函数必须与输入一致`X1,…, Xn`。
`不正确类型的“Z”“前进”`。	输出的类型`Zm评选Z1,…`可选`向前`函数必须与输入一致`X1,…, Xn`。
`不正确类型的输出着干活的“前进”`。	输出的类型`Zm评选Z1,…`可选`向前`函数必须与输入一致`X1,…, Xn`。
`错误的类型的“dLdX”“落后”`。	衍生品的类型`dLdX1…, dLdXn`可选`落后的`函数必须与输入一致`X1,…, Xn`。	返回衍生品`dLdX1…, dLdXn`与相同类型的输入`X1,…, Xn`。
`不正确类型的损失的导数对输入“三机”“落后”`。	衍生品的类型`dLdX1…, dLdXn`可选`落后的`函数必须与输入一致`X1,…, Xn`。	返回衍生品`dLdX1…, dLdXn`与相同类型的输入`X1,…, Xn`。
`不正确类型的损失的导数对“W”“落后”`。	的类型的导数的损失可学的参数必须符合相应的可学的参数。	对于每个可学的参数,返回相同的导数作为相应的可学的参数类型。

提示

输出层。测试forwardLossIsConsistentInType和backwardLossIsConsistentInType正确检查层函数输出变量的数据类型。测试检查层返回一致的数据类型时输入的数据类型单,双,gpuArray与底层类型单或双。

测试诊断	描述	可能的解决方案
`不正确类型的“损失”“forwardLoss”`。	输出的类型`损失`的`forwardLoss`函数必须与输入一致`Y`。	返回`损失`相同的类型作为输入`Y`。
`不正确类型的损失的导数的dLdY backwardLoss”`。	输出的类型`dLdY`可选`backwardLoss`函数必须与输入一致`Y`。	返回`dLdY`相同的类型作为输入`Y`。

提示

正确的梯度

测试gradientsAreNumericallyCorrect检查层函数的梯度计算数值正确。测试backwardPropagationDoesNotError检查金融衍生品可以是计算使用自动分化。

中间层次。当可选落后的没有指定功能,测试backwardPropagationDoesNotError检查金融衍生品可以是计算使用自动分化。当可选落后的指定函数,测试gradientsAreNumericallyCorrect测试的梯度计算落后的数字是正确的。

测试诊断	描述	可能的解决方案
`预计dlarray没有尺寸的标签,而是发现标签`。	当可选`落后的`没有指定函数,函数必须输出层前进`dlarray`对象没有尺寸标签。	确保任何`dlarray`创建的对象层转发功能不包含尺寸标签。
`通过层无法向后传播。检查“转发”功能完全支持自动分化。金宝app另外,手动实现“后退”功能`。	一个或多个下列: 当可选`落后的`没有指定函数,该层功能不支持金宝app`dlarray`对象。当可选`落后的`没有指定函数,输入的跟踪`dlarray`前进中的对象功能已经被打破。例如,通过使用`extractdata`函数。	检查功能支持金宝app`dlarray`对象。支持的功能列表金宝app`dlarray`对象,看到与dlarray支持函数的列表金宝app。检查输入的衍生品`dlarray`对象可以被追踪。想要了解更多关于导数的痕迹`dlarray`对象,看到导数的跟踪。另外,定义一个自定义向后函数通过创建一个函数命名`落后的`。欲了解更多,请看指定自定义层反向功能。
`通过层无法向后传播。检查“预测”功能完全支持自动分化。金宝app另外,手动实现“后退”功能`。
`导数的dLdX“落后”是不符合数值梯度`。	一个或多个下列: 当可选`落后的`指定函数,导数是错误地计算前一些输入点函数的微分误差公差太小了	如果层转发功能的支持金宝app`dlarray`对象,那么软件自动决定了落后的函数,你可以省略向后函数。支持的功能列表金宝app`dlarray`对象,看到与dlarray支持函数的列表金宝app。检查的衍生品`落后的`正确计算。如果衍生品是正确计算,然后在`框架的诊断`部分,手动检查之间的绝对和相对误差的实际和预期值的导数。如果绝对和相对误差在可接受的公差,然后你可以忽略这个测试诊断。
`损失的导数对输入“三机”“落后”是不符合数值梯度`。
`损失的导数对“W”“落后”是不符合数值梯度`。

提示

输出层。当可选backwardLoss没有指定功能,测试backwardPropagationDoesNotError检查金融衍生品可以是计算使用自动分化。当可选backwardLoss指定函数,测试gradientsAreNumericallyCorrect测试的梯度计算backwardLoss数字是正确的。

测试诊断描述可能的解决方案

预计dlarray没有尺寸的标签,而是发现标签 当可选backwardLoss没有指定功能,forwardLoss函数必须输出dlarray对象没有尺寸标签。确保任何dlarray创建的对象的forwardLoss功能不包含尺寸标签。

测试诊断	描述	可能的解决方案
`预计dlarray没有尺寸的标签,而是发现标签`	当可选`backwardLoss`没有指定功能,`forwardLoss`函数必须输出`dlarray`对象没有尺寸标签。	确保任何`dlarray`创建的对象的`forwardLoss`功能不包含尺寸标签。
`通过层无法向后传播。检查“forwardLoss”功能完全支持自动分化。金宝app另外,实现“backwardLoss”手动功能`	一个或多个下列: 当可选`backwardLoss`函数没有指定,该层`forwardLoss`功能不支持金宝app`dlarray`对象。当可选`backwardLoss`没有指定函数,输入的跟踪`dlarray`中的对象`forwardLoss`函数被打破。例如,通过使用`extractdata`函数。	检查`forwardLoss`功能支持金宝app`dlarray`对象。支持的功能列表金宝app`dlarray`对象,看到与dlarray支持函数的列表金宝app。检查输入的衍生品`dlarray`对象可以被追踪。想要了解更多关于导数的痕迹`dlarray`对象,看到导数的跟踪。另外,定义一个自定义向后损失函数通过创建一个函数命名`backwardLoss`。欲了解更多,请看指定自定义输出层向后损失函数。
`导数的dLdY backwardLoss是符合数值梯度`。	一个或多个下列: 导数的预测`Y`不正确计算在一些输入点函数的微分误差公差太小了	检查的衍生品`backwardLoss`正确计算。如果衍生品是正确计算,然后在`框架的诊断`部分,手动检查之间的绝对和相对误差的实际和预期值的导数。如果绝对和相对误差在可接受的公差,然后你可以忽略这个测试诊断。

通过层无法向后传播。检查“forwardLoss”功能完全支持自动分化。金宝app另外,实现“backwardLoss”手动功能

一个或多个下列:

当可选backwardLoss函数没有指定,该层forwardLoss功能不支持金宝appdlarray对象。
当可选backwardLoss没有指定函数,输入的跟踪dlarray中的对象forwardLoss函数被打破。例如,通过使用extractdata函数。

检查forwardLoss功能支持金宝appdlarray对象。支持的功能列表金宝appdlarray对象,看到与dlarray支持函数的列表金宝app。

检查输入的衍生品dlarray对象可以被追踪。想要了解更多关于导数的痕迹dlarray对象,看到导数的跟踪。

另外,定义一个自定义向后损失函数通过创建一个函数命名backwardLoss。欲了解更多,请看指定自定义输出层向后损失函数。

导数的dLdY backwardLoss是符合数值梯度。

一个或多个下列:

导数的预测Y不正确计算
在一些输入点函数的微分
误差公差太小了

检查的衍生品backwardLoss正确计算。

如果衍生品是正确计算,然后在框架的诊断部分,手动检查之间的绝对和相对误差的实际和预期值的导数。

如果绝对和相对误差在可接受的公差,然后你可以忽略这个测试诊断。

提示

有效状态

层的状态属性,测试predictReturnsValidStates检查预测函数返回有效状态。当向前指定的测试forwardReturnsValidStates检查函数返回有效状态。测试resetStateDoesNotError检查resetState函数返回一层有效的状态属性。

测试诊断	描述	可能的解决方案
`错误使用“预测”层。“状态”必须实际价值数值数组或非格式化dlarray对象`。	状态输出必须实值数值数组或非格式化`dlarray`对象。	确保美国确认的`框架的诊断`实值数值数组或非格式化吗`dlarray`对象。
`错误使用“resetState”层。“状态”必须实际价值数值数组或非格式化dlarray对象`	返回的状态属性层必须实值数值数组或非格式化`dlarray`对象。	确保美国确认的`框架的诊断`实值数值数组或非格式化吗`dlarray`对象。

代码生成的兼容性

如果你设置CheckCodegenCompatibility选项1(真正的),然后checkLayer函数检查代码生成兼容层。

测试codegenPragmaDefinedInClassDef检查层定义包含代码生成编译指示% # codegen。测试layerProperties金宝appSupportCodegen检查代码生成层属性的支持。金宝app测试predict金宝appSupportsCodegen检查输出的预测在维度和批量大小是一致的。

代码生成与二维图像或特征输入支持金宝app过渡层。代码生成与国家不支持层属性(属性与属性金宝app状态)。

的checkLayer函数不会检查所使用的功能层与代码生成兼容。检查函数所使用的自定义层也支持代码生成,第一次使用金宝app代码生成准备应用。更多信息,请参阅检查代码通过使用代码生成工具(MATLAB编码器)。

测试诊断	描述	可能的解决方案
`在类定义中指定的% # codegen定制层`	层定义不包括编译指示`“% # codegen”`代码生成。	添加`% # codegen`指令(或编译指示)图层定义表明你打算为这一层生成代码。添加这个指令指示MATLAB代码分析器来帮助您诊断和解决侵犯,导致错误在代码生成。
`Nonscalar图层属性必须输入单引号或双或定制层的字符数组`	类型的图层包含非标量属性除了单,双或字符数组。	使用转换非标量属性的表示类型单一,双或字符数组。例如,分类数组转换成一个整数类型的数组`双`代表的类别。
`标量图层属性必须是数字、逻辑或字符串为自定义层`	层包含标量属性类型的除了数字,逻辑或字符串。	将标量属性用数字表示,或类型的表示逻辑或字符串。例如,绝对标量转换为一个整数类型的`双`代表了一类。
`对于代码生成,“Z”必须有相同数量的维度作为输入层`。	输出的维度的数量`Z`的`预测`维度的数量不匹配层的输入。	在`预测`函数,返回的输出层输入相同数量的维度。
`对于代码生成,“Z”必须有相同的批大小作为输入层`。	输出的批量大小的大小`Z`的`预测`批量大小的大小不匹配层的输入。	在`预测`函数,返回与批量大小的输出层的输入。