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
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, |
forwardPredictAreConsistentInSize |
当 |
backwardDoesNotError |
当指定时,落后的 没有错误。 |
backwardIsConsistentInSize |
当
|
predictIsConsistentInType |
的输出 |
forwardIsConsistentInType |
当 |
backwardIsConsistentInType |
当 |
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 |
backwardLossIsConsistentInType |
当 |
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 | 预测的值区间[0,1]。 如果你指定 如果你不指定 |
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 的
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:
提示 如果输入层可以不同的数量,然后使用 如果输出的数量可以改变,那么使用 提示 如果有一个自定义层 |
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 的
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:
提示 如果输入层可以不同的数量,然后使用 如果输出的数量可以改变,那么使用 提示 如果有一个自定义层 |
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 的
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:
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 如果输出的数量可以改变,那么使用 提示 如果层转发功能的支持金宝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 |
---|---|---|
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 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 提示 如果层转发功能的支持金宝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 提示 如果 |
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 |
不正确的大小的导数损失对输入“三机”“落后” |
||
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 |
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 |
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 |
---|---|---|
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 |
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 如果 |
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 |
不正确类型的输出着干活的“预测” 。 |
||
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” 。 |
||
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 |
不正确类型的损失的导数对输入“三机”“落后” 。 |
||
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
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 |
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 |
提示
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。
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:
|
检查功能支持金宝app 检查输入的衍生品 另外,定义一个自定义向后函数通过创建一个函数命名 |
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:
|
如果层转发功能的支持金宝app 检查的衍生品 如果衍生品是正确计算,然后在 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
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。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。 |
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:
|
检查 检查输入的衍生品 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 |
导数的dLdY backwardLoss是符合数值梯度 。 |
一个或多个下列:
|
检查的衍生品 如果衍生品是正确计算,然后在 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
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。
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。 |
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 |
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 |
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 |
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 |
在 |
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 |
在 |