主要内容

featureInputLayer

特征输入层

展开全部页面

描述

特征输入层将特征数据输入网络并进行数据规范化。当您拥有表示特征的数值标量数据集(没有空间或时间维度的数据)时，请使用此层。

对于图像输入，使用imageInputLayer．

创建

语法

layer = featureInputLayer(numFeatures)
layer = featureInputLayer(numFeatures,Name,Value)

描述

层= featureInputLayer (numFeatures）返回特征输入层，并设置InputSize属性设置为指定数量的特性。

例子

层= featureInputLayer (numFeatures，名称,值）使用名称-值对参数设置可选属性。可以指定多个名称-值对参数。将每个属性名用单引号括起来。

属性

全部展开

功能的输入

数据中每个观测值的特征数，用正整数指定。

对于图像输入，使用imageInputLayer．

例子:10

每次数据通过输入层向前传播时应用数据规范化，指定为以下之一:

  • “zerocenter”-减去指定的平均值的意思是．

  • “zscore”-减去指定的平均值的意思是然后除以StandardDeviation．

  • “rescale-symmetric”-使用指定的最小值和最大值将输入重新缩放到范围[- 1,1]最小值而且马克斯,分别。

  • “rescale-zero-one”-使用指定的最小值和最大值将输入重新缩放到范围[0,1]最小值而且马克斯,分别。

  • “没有”—不要对输入数据进行归一化。

  • function句柄-使用指定的函数规范化数据。函数必须符合这个形式Y = func(X),在那里X输入数据和输出数据吗Y是规范化的数据。

提示

方法时，该软件默认自动计算归一化统计信息trainNetwork函数。为节省训练时的时间，请指定规范化所需的统计信息并设置ResetInputNormalization选项trainingOptions来0（的意见）.

归一化维度，指定为以下之一:

  • “汽车”—如果培训选项为假您可以指定任何规范化统计信息(的意思是，StandardDeviation，最小值,或马克斯)，然后在与统计数据相匹配的维度上归一化。否则，在训练时重新计算统计数据并应用通道的归一化。

  • “通道”-通道的标准化。

  • “所有”-使用标量统计数据规范化所有值。

0 -center和z-score归一化的平均值，指定为anumFeatures-by-1每个特征的均值向量，数字标量，或［］．

如果您指定的意思是属性,然后归一化必须“zerocenter”或“zscore”．如果的意思是是［］，则trainNetwork函数计算平均值。训练一个dlnetwork对象使用自定义训练循环或组装网络而不使用assembleNetwork函数时，必须设置的意思是属性设置为数值标量或数值数组。

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

z分数归一化的标准差，用a表示numFeatures-by-1每个特征的均值向量，数字标量，或［］．

如果您指定StandardDeviation属性,然后归一化必须“zscore”．如果StandardDeviation是［］，则trainNetwork函数计算标准偏差。训练一个dlnetwork对象使用自定义训练循环或组装网络而不使用assembleNetwork函数时，必须设置StandardDeviation属性设置为数值标量或数值数组。

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

重新缩放的最小值，指定为numFeatures每个特征最小值的-by-1向量，数值标量，或［］．

如果您指定最小值属性,然后归一化必须“rescale-symmetric”或“rescale-zero-one”．如果最小值是［］，则trainNetwork函数计算最小值。训练一个dlnetwork对象使用自定义训练循环或组装网络而不使用assembleNetwork函数时，必须设置最小值属性设置为数值标量或数值数组。

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

重新缩放的最大值，指定为numFeatures-by-1向量的最大值每个特征，一个数字标量，或［］．

如果您指定马克斯属性,然后归一化必须“rescale-symmetric”或“rescale-zero-one”．如果马克斯是［］，则trainNetwork函数计算最大值。训练一个dlnetwork对象使用自定义训练循环或组装网络而不使用assembleNetwork函数时，必须设置马克斯属性设置为数值标量或数值数组。

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

此属性是只读的。

标志，将输入数据分割为实组件和虚组件，指定为以下值之一:

  • 0（假) -不要分割输入数据。

  • 1（真正的) -将数据分割为实分量和虚分量。

当SplitComplexInputs是1，则该层输出的通道数是输入数据的两倍。例如，如果输入数据是复值numChannels通道，然后该层输出数据2 * numChannels通道，通道1通过numChannels包含输入数据和的真实组件numChannels + 1通过2 * numChannels包含输入数据的虚构组件。如果输入数据是实数，则通道numChannels + 1通过2 * numChannels都是零。

在网络中输入复值数据SplitComplexInputs输入层的选项必须为1．

有关显示如何使用复值数据训练网络的示例，请参见复值数据训练网络．

层

层名，指定为字符向量或字符串标量。为层数组输入时，trainNetwork，assembleNetwork，layerGraph,dlnetwork函数自动为具有该名称的层分配名称”．

数据类型:字符|字符串

此属性是只读的。

该层的输入数量。该层没有输入。

数据类型:双

此属性是只读的。

输入层的名称。该层没有输入。

数据类型:细胞

此属性是只读的。

层的输出数量。这个图层只有一个输出。

数据类型:双

此属性是只读的。

输出层的名称。这个图层只有一个输出。

数据类型:细胞

例子

全部折叠

打开实时脚本

创建一个带有名称的特征输入层“输入”由21个特征组成的观测。

layer = featureInputLayer(21，“名字”，“输入”）
Name: 'input' InputSize: 21 SplitComplexInputs: 0超参数归一化:'none' NormalizationDimension: 'auto'

中包含特征输入层层数组中。

numFeatures = 21;numClasses = 3;layers = [featureInputLayer(numFeatures，“名字”，“输入”) fullyConnectedLayer (numClasses“名字”，“俱乐部”) softmaxLayer (“名字”，“sm”) classificationLayer (“名字”，“分类”）]
layers = 4x1带有层的层数组:1 'input' Feature input 21 features 2 'fc' Fully Connected 3 Fully Connected Layer 3 'sm' Softmax Softmax 4 'classification' classification Output crossentropyex
打开实时脚本

为了训练包含图像输入层和特征输入层的网络，必须使用dlnetwork对象在自定义训练循环中。

定义输入图像的大小，每个观察到的特征的数量，类的数量，卷积层的滤波器的大小和数量。

imageInputSize = [28 28 1];numFeatures = 1;numClasses = 10;filterSize = 5;numFilters = 16;

要创建具有两个输入层的网络，必须将网络定义为两个部分，并将它们连接起来，例如，通过使用连接层。

定义网络的第一部分。定义图像分类层，并在最后一个完全连接层之前包括一个压平层和一个连接层。

图层= [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”) flattenLayer (“名字”，“平”) concatenationLayer(1、2、“名字”，“concat”) fullyConnectedLayer (numClasses“名字”，“取得”) softmaxLayer (“名字”，“softmax”));

将图层转换为图层图。

lgraph = layerGraph(图层);

对于网络的第二部分，添加一个特征输入层，并将其连接到连接层的第二个输入。

featureInputLayer(numFeatures)“名字”，“特性”）;lgraph = addLayers(lgraph, featuinput);lgraph = connectLayers(“特性”，“concat / in2”）;

可视化网络。

情节(lgraph)

图中包含一个轴对象。axis对象包含一个graphplot类型的对象。

创建一个dlnetwork对象。

Dlnet = dlnetwork(lgraph)
dlnet = dlnetwork with properties: Layers: [9x1 nnet.cnn.layer.Layer] Connections: [8x2 table] Learnables: [6x3 table] State: [0x3 table] InputNames: {'images' 'features'} OutputNames: {'softmax'} Initialized: 1查看summary with summary。

扩展功能

版本历史

R2020b中介绍

另请参阅

||||||

主题