dlarray
金宝appdlarray
金宝app这些表格列出并简要描述了深度学习工具箱™的功能dlarray
对象。
函数 | 描述 |
---|---|
avgpool |
平均池化操作通过将输入划分为池化区域并计算每个区域的平均值来执行下采样。 |
batchnorm |
批归一化操作对每个通道的所有观测数据分别进行归一化。为了加快卷积神经网络的训练并降低对网络初始化的敏感性,在卷积和非线性操作之间使用批量归一化,如线性整流函数(Rectified Linear Unit) . |
crossentropy |
交叉熵运算计算单标签和多标签分类任务中网络预测值和目标值之间的交叉熵损失。 |
crosschannelnorm |
跨通道归一化操作使用不同通道中的本地响应来归一化每个激活。跨渠道标准化通常遵循线性整流函数(Rectified Linear Unit) 操作。跨通道归一化也称为局部响应归一化。 |
ctc |
CTC操作计算未对齐序列之间的连接主义时间分类(CTC)损失。 |
dlconv |
卷积运算对输入数据应用滑动滤波器。使用dlconv 用于深度学习卷积、分组卷积和通道可分离卷积的函数。 |
dlode45 |
神经常微分方程(ODE)操作返回一个指定的ODE的解。 |
dltranspconv |
转置卷积运算向上采样特征图。 |
嵌入 |
嵌入操作将数值指标转换为数值向量,其中指标对应于离散数据。使用嵌入将离散数据(如分类值或单词)映射到数值向量。 |
fullyconnect |
全连接操作将输入乘以一个权重矩阵,然后添加一个偏置向量。 |
groupnorm |
分组归一化操作对每个观测数据分别在分组的通道子集上进行输入数据归一化。为了加快卷积神经网络的训练并降低对网络初始化的敏感性,在卷积和非线性操作之间使用群归一化,如线性整流函数(Rectified Linear Unit) . |
格勒乌 |
门控循环单元(GRU)操作允许网络学习时间序列和序列数据中时间步长之间的依赖关系。 |
休伯 |
Huber操作计算回归任务的网络预测和目标值之间的Huber损失。当“TransitionPoint” 选项是1,这也被称为光滑的l1损失. |
instancenorm |
实例归一化操作对每个观察数据独立地跨每个通道的输入数据进行归一化。为了提高训练卷积神经网络的收敛性和降低对网络超参数的敏感性,在卷积和非线性操作之间使用实例归一化,如线性整流函数(Rectified Linear Unit) . |
l1loss |
L1损失运算计算L1给定网络预测和目标值的损失。当减少 选择是“和” 和NormalizationFactor 选择是“批大小” 时,计算出的值称为平均绝对误差(MAE)。 |
l2loss |
L2损失运算计算L2损失(基于L的平方2Norm)给出网络预测和目标值。当减少 选择是“和” 和NormalizationFactor 选择是“批大小” 时,计算出的值称为均方误差(MSE)。 |
layernorm |
层归一化操作将每个观测数据独立地归一化所有通道上的输入数据。为了加快循环和多层感知器神经网络的训练速度,降低网络初始化的敏感性,在LSTM和全连接操作等可学习操作之后使用层归一化。 |
leakyrelu |
泄漏校正线性单元(ReLU)激活操作执行非线性阈值操作,其中任何小于零的输入值乘以一个固定的比例因子。 |
lstm |
长短期记忆(LSTM)操作允许网络学习时间序列和序列数据中时间步长之间的长期依赖关系。 |
maxpool |
最大池化操作通过将输入划分为池化区域并计算每个区域的最大值来执行下采样。 |
maxunpool |
最大反池操作通过上采样和用零填充来取消最大池操作的输出。 |
均方误差 |
半均方误差运算计算回归任务的网络预测值和目标值之间的半均方误差损失。 |
onehotdecode |
单热解码操作将概率向量(如分类网络的输出)解码为分类标签。 输入 |
线性整流函数(Rectified Linear Unit) |
整流线性单元(ReLU)激活操作执行非线性阈值操作,其中任何小于零的输入值都被设置为零。 |
乙状结肠 |
sigmoid激活操作将sigmoid函数应用于输入数据。 |
softmax |
softmax激活操作将softmax函数应用于输入数据的通道维度。 |
dlarray
特殊功能函数 | 描述 |
---|---|
会变暗 |
的数据格式dlarray . |
dlfeval |
此函数计算dlarray 函数使用自动微分。 |
dlgradient |
这个函数使用自动微分计算梯度。 |
extractdata |
该函数从对象中提取数据dlarray . |
finddim |
这个函数求的是dlarray 具有给定维度标签的维度。 |
stripdims |
对象中的数据格式dlarray . |
dlarray
金宝app这些表列出并简要描述了所操作的领域特定函数dlarray
对象。
函数 | 描述 |
---|---|
focalCrossEntropy (计算机视觉工具箱) |
计算两者之间的焦点交叉熵损失dlarray 表示预测和目标分类标签的对象。 |
generalizedDice (计算机视觉工具箱) |
测量两者之间的相似性dlarray 表示分割图像的对象,使用一个通用的Dice度量来说明类权重。 |
roialign (计算机视觉工具箱) |
执行ROI池dlarray 数据。 |
函数 | 描述 |
---|---|
depthToSpace (图像处理工具箱) |
重新排列dlarray 数据从深度维度转化为空间块。 |
dlresize (图像处理工具箱) |
的空间维度调整大小dlarray . |
multissim (图像处理工具箱) |
测量两者之间的相似性dlarray 对象表示2-D图像,使用多尺度结构相似性(MS-SSIM)度量。 |
multissim3 (图像处理工具箱) |
测量两者之间的相似性dlarray 表示3d图像的对象,使用3d MS-SSIM度量。 |
psnr值 (图像处理工具箱) |
测量两者之间的相似性dlarray 使用峰值信噪比(PSNR)度量来表示图像的对象。 |
spaceToDepth (图像处理工具箱) |
的空间块重新排列dlarray 数据进入深度维度。 |
ssim (图像处理工具箱) |
测量两者之间的相似性dlarray 使用结构相似性(SSIM)度量来表示图像的对象。 |
函数 | 描述 |
---|---|
dlstft (信号处理工具箱) |
计算短时傅里叶变换。 |
dlarray
金宝app许多MATLAB®函数作用于dlarray
对象。这些表列出了使用这些函数时的使用注意事项和限制dlarray
参数。
函数 | 注意事项和限制 |
---|---|
装天花板 |
输出 |
每股收益 |
|
修复 |
输出 |
地板上 |
输出 |
马克斯 |
|
最小值 |
|
重新调节 |
|
轮 |
|
函数 | 注意事项和限制 |
---|---|
结肠 ,: |
|
interp1 |
|
mrdivide ,/ |
第二个 |
mtimes ,* |
|
数值 |
支持的语金宝app法是:
至少一个 如果 为 为 提示 对于神经ODE工作流,使用 |
pagemtimes |
一个输入可以是格式化的 |
函数 | 注意事项和限制 |
---|---|
所有 |
输出 |
而且 ,& |
如果这两个 |
任何 |
输出 |
情商 ,= = |
如果这两个 |
通用电气 ,> = |
|
gt ,> |
|
勒 ,< = |
|
lt ,< |
|
不 ,~ = |
|
不 ,~ |
输出 |
或 ,| |
如果这两个 |
xor |
函数 | 注意事项和限制 |
---|---|
ctranspose ,' |
如果输入 |
交换 |
如果输入 |
转置 ,.' |
如果输入 |
函数 | 注意事项和限制 |
---|---|
投 |
|
双 |
输出为 |
收集 (并行计算工具箱) |
|
gpuArray (并行计算工具箱) |
|
逻辑 |
输出为dlarray 包含类型数据的逻辑 . |
单 |
输出为dlarray 包含类型数据的单 . |
函数 | 注意事项和限制 |
---|---|
isdlarray |
N/A |
isfinite |
软件将该函数应用于输入的底层数据 |
isfloat |
|
isgpuarray (并行计算工具箱) |
|
isinf |
|
islogical |
|
isnan |
|
isnumeric |
|
伊斯雷尔 |
|
isUnderlyingType |
N/A |
mustBeUnderlyingType |
|
underlyingType |
|
validateattributes |
如果输入数组一个 是格式化的dlarray ,其尺寸被打乱以匹配顺序“SCBTU” .排列后进行尺寸验证。 |
函数 | 注意事项和限制 |
---|---|
iscolumn |
这个函数返回真正的 对于一个dlarray 这是一个列向量,除第一个维度外,其他维度都是单维。例如,一个3 × 1 × 1矩阵dlarray 是一个列向量。 |
ismatrix |
这个函数返回真正的 为dlarray 对象只有两个维度dlarray 对象,其中除前两个维度外的每个维度都是单维度。例如,一个3 × 4 × 1的矩阵dlarray 是一个矩阵。 |
isrow |
这个函数返回真正的 对于一个dlarray 这是一个行向量,除第二维外的每一维都是单维。例如,1乘3乘1dlarray 是行向量。 |
isscalar |
N/A |
isvector |
这个函数返回真正的 对于一个dlarray 这是一个行向量或列向量。请注意,isvector 不考虑1乘1乘3吗dlarray 是一个向量。 |
长度 |
N/A |
ndims |
如果输入 |
元素个数 |
N/A |
大小 |
如果输入 |
一些函数使用隐式展开来合并两个格式化的函数dlarray
输入。该函数根据需要在输入中引入标记的单维度(大小为1的维度),以使它们的格式匹配。该函数在每个维度块的末尾插入具有相同标签的单个维度。
要查看此行为的示例,请输入以下代码。
X = ones(2,3,2);dlX = dlarray(X,“渣打银行”) y = 1:3;ly = darray (Y,“C”) dlZ = dlX.* ly
dlX = 2(S) × 3(C) × 2(B) dray (:,:,1) = 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 3(:,:,2) dray = 3(C) × 1(U) dray 1 2 3 dlZ = 2(S) × 3(C) × 2(B) dray (:,:,1
dlZ(i,j,k) = dlX(i,j,k).* ly (j)
为指标我
,j
,k
.第二个维度dlZ
(标记为“C”
)对应于的第二个维度dlX
的第一个维度海底
.
一般来说,格式为一dlarray
输入不需要是另一个格式的子集dlarray
输入。例如,如果dlX
而且海底
的输入参数dims(dlX) = 'SCB'
而且dms (dlY) = 'SSCT'
,则输出dlZ
有dims(dlZ) = 'SSCBT'
.的“年代”
维度的dlX
映射到第一个“年代”
维度的海底
.
的“U”
a的尺寸dlarray
它的行为不同于其他标记的维度,因为它展示了标准的MATLAB单例维度行为。你可以考虑格式化dlarray
因为有无穷多个“U”
返回的尺寸之后的大小为1的尺寸大小
.
软件丢弃一个“U”
类的前两个维度之一dlarray
.
要查看此行为的示例,请输入以下代码。
X = ones(2,2);dlX = dlarray(X,“SC”) dlX(:,:,2) = 2
dlX = 2(S) × 2(C) dlarray 1 1 1 1 1 dlX = 2(S) × 2(C) × 2(U) dlarray (:,:,1) = 1 1 1 1 1 (:,:,2) = 2 2 2 2 2 2 2
dlarray
到三维空间dlarray
,并将第三维度标记为“U”
默认情况下。举个例子“U”
维用于隐式展开,参见使用数据格式的隐式展开.
索引dlarray
支持并金宝app显示以下行为:
dlX (idx1,…,idxn)
返回一个dlarray
相同的数据格式dlX
如果n
大于或等于ndims (dlX)
.否则,返回一个未格式化的dlarray
.
如果你设置dlY(idx1,…,idxn) = dlX
,则数据格式为海底
保留,尽管软件可能会添加或删除尾随“U”
尺寸标签。的数据格式dlX
对本次操作无影响。
的部分dlarray
使用dlX(idx1,…,idxn) = []
,则数据格式为dlX
保存,如果n
大于或等于ndims (dlX)
.否则,dlX
未格式化返回。
当你使用带有dlarray
类的内部存储顺序可以改变函数内的操作顺序dlarray
.此更改可能导致2的舍入顺序上的差异dlarray
其他方面相等的对象。
dlarray
|dlgradient
|dlfeval
|dlnetwork