convolution1dLayer

一维卷积层

展开全部页面

描述

1-D卷积层对1-D输入应用滑动卷积滤波器。该层通过沿着输入移动滤波器和计算权重和输入的点积来卷积输入，然后添加一个偏置项。

层卷积的维数取决于层输入:

对于时间序列和向量序列输入(分别对应通道、观测值和时间步长三个维度的数据)，该层在时间维度上进行卷积。
对于一维图像输入(对应于空间像素、通道和观测值的三维数据)，该层在空间维度上进行卷积。
对于一维图像序列输入(四维数据，分别对应空间像素、通道、观测值和时间步长)，该层在空间维度上进行卷积。

创建

语法

layer = convolution1dLayer(filterSize,numFilters)

layer = convolution1dLayer(filterSize,numFilters,Name=Value)

描述

例子

层= convolution1dLayer (filterSize，numFilters）创建一个1-D卷积层并设置FilterSize而且NumFilters属性。

层= convolution1dLayer (filterSize，numFilters，名称=值）还设置了可选的步，DilationFactor，NumChannels，参数和初始化，学习率和正则化,的名字使用一个或多个名称-值参数的属性。要指定输入填充，请使用填充名称-值参数。例如,convolution1dLayer(96填充= 1)创建一个具有96个大小为11的过滤器的1- d卷积层，并在层输入的左侧和右侧指定大小为1的填充。

输入参数

全部展开

名称-值参数

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。

例子:convolution1dLayer(96填充= 1)创建一个具有96个大小为11的过滤器的1- d卷积层，并在层输入的左侧和右侧指定大小为1的填充。

`填充`- - - - - -要应用于输入的填充
`[0 0]`(默认)|`“相同”`|`“因果”`|非负整数|非负整数的向量

要应用于输入的填充，指定为以下之一:

“相同”-应用填充使输出大小为装天花板(inputSize /步),在那里inputSize是输入的长度。当步是1时，输出与输入大小相同。
“因果”-对输入应用左填充，等于(FilterSize - 1) .*膨胀因子．当步是1时，输出与输入大小相同。
非负整数深圳-添加填充大小深圳输入的两端。
向量(l r)的非负整数-添加填充大小l在左边r在输入的右边。

例子:填充= (2 - 1)将大小为2的填充添加到输入的左侧，大小为1的填充添加到右侧。

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

属性

全部展开

卷积

`FilterSize`- - - - - -滤波器宽度
正整数

此属性是只读的。

过滤器的宽度，指定为正整数。

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

`NumFilters`- - - - - -过滤器数量
正整数

此属性是只读的。

筛选器的数目，指定为正整数。这个数字对应于该层中连接到输入中相同区域的神经元数量。这个参数决定了层输出中通道(特征映射)的数量。

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

`步`- - - - - -遍历输入的步长
`1`(默认)|正整数

遍历输入的步长，指定为正整数。

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

`DilationFactor`- - - - - -扩张卷积因子
`1`(默认)|正整数

展开卷积(也称为阿特劳斯卷积)的因子，指定为正整数。

使用扩张卷积来增加层的接受域(层可以看到的输入区域)，而不增加参数数量或计算量。

该层通过在每个过滤器元素之间插入0来扩展过滤器。膨胀因子决定了对输入进行采样的步长，或者等价地，决定了滤波器的上采样因子。它对应的有效滤波器大小为(FilterSize - 1) .*膨胀因子+ 1．例如，膨胀系数为的1 × 3滤波器2相当于元素之间为0的1乘5过滤器。

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

`PaddingSize`- - - - - -填充尺寸
`[0 0]`(默认)|两个非负整数的向量

应用于输入的每一侧的填充大小，指定为一个向量(l r)两个非负整数，其中l填充适用于左侧和r是应用于右侧的填充。

创建图层时，使用填充参数指定填充大小。

数据类型:双

`PaddingMode`- - - - - -方法来确定填充大小
`“手动”`(默认)|`“相同”`|`“因果”`

此属性是只读的。

方法确定填充大小，指定为以下之一:

“手动”-使用指定的整数或向量进行填充填充．
“相同”-应用填充使输出大小为装天花板(inputSize /步),在那里inputSize是输入的长度。当步是1时，输出与输入相同。
“因果”-应用因果填充。用填充大小填充输入的左侧(FilterSize - 1) .*膨胀因子．

要指定层填充，请使用填充名称-值参数。

数据类型:字符

`PaddingValue`- - - - - -填充数据的值
`0`(默认)|标量|`“symmetric-include-edge”`|`“symmetric-exclude-edge”`|`“复制”`

此属性是只读的。

值来填充数据，指定为以下之一:

`PaddingValue`	描述	例子
标量	使用指定的标量值填充。	$［ \begin{matrix} 3. & 1 & 4 \end{matrix} ］ \to ［ \begin{matrix} 0 & 0 & 3. & 1 & 4 & 0 & 0 \end{matrix} ］$
`“symmetric-include-edge”`	垫使用输入的镜像值，包括边缘值。	$［ \begin{matrix} 3. & 1 & 3. \end{matrix} ］ \to ［ \begin{matrix} 1 & 3. & 3. & 1 & 4 & 4 & 1 \end{matrix} ］$
`“symmetric-exclude-edge”`	使用输入的镜像值填充，不包括边缘值。	$［ \begin{matrix} 3. & 1 & 4 \end{matrix} ］ \to ［ \begin{matrix} 4 & 1 & 3. & 1 & 4 & 1 & 3. \end{matrix} ］$
`“复制”`	填充使用重复边框元素的输入。	$［ \begin{matrix} 3. & 1 & 3. \end{matrix} ］ \to ［ \begin{matrix} 3. & 3. & 3. & 1 & 4 & 4 & 4 \end{matrix} ］$

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

`NumChannels`- - - - - -输入通道数
`“汽车”`(默认)|正整数

此属性是只读的。

输入通道的数量，指定为下列之一:

“汽车”-在训练时自动确定输入通道数。
正整数-为指定的输入通道数量配置层。NumChannels并且层中输入数据的通道数量必须匹配。例如，如果输入是RGB图像，则NumChannels一定是3。如果输入是带有16个滤波器的卷积层的输出，则NumChannels必须是16岁。

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

参数和初始化

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

函数初始化权重，指定为以下之一:

“glorot”-使用Glorot初始化器初始化权重[1](也称为Xavier初始化式)。格洛洛特初始化器独立地从平均为零和方差为的均匀分布中采样2/(numIn + numOut),在那里numIn = FilterSize*NumChannels而且numOut = FilterSize*NumFilters．
“他”-使用He初始化式初始化权重[２]．He初始化式从均值为零，方差为的正态分布中抽样2 / numIn,在那里numIn = FilterSize*NumChannels．
“narrow-normal”-通过从均值为零、标准差为0.01的正态分布中独立抽样来初始化权重。
“零”-用0初始化权重。
“的”-用1初始化权重。
函数句柄——使用自定义函数初始化权重。如果指定了函数句柄，则该函数必须为权重= func(sz),在那里深圳就是权重的大小。有关示例，请参见指定自定义权重初始化函数．

时，层才初始化权重权重属性为空。

数据类型:字符|字符串|function_handle

`BiasInitializer`- - - - - -函数初始化偏置
`“零”`(默认)|`“narrow-normal”`|`“的”`|函数处理

函数初始化偏差，指定为以下之一:

“零”-用0初始化偏差。
“的”-用1初始化偏差。
“narrow-normal”-通过从均值为零、标准差为0.01的正态分布中独立抽样来初始化偏差。
函数句柄-使用自定义函数初始化偏置。如果指定了函数句柄，则该函数必须为偏差= func(sz),在那里深圳是偏差的大小。

时，层才初始化偏差偏见属性为空。

数据类型:字符|字符串|function_handle

`权重`- - - - - -层的重量
`［］`(默认)|数字数组

转置卷积运算的层权值，指定为aFilterSize——- - - - - -NumChannels——- - - - - -numFilters数字数组或［］．

层权值是可学习的参数。属性可以直接指定权重的初始值权重层的属性。当你训练一个网络时，如果权重属性为非空，则trainNetwork使用权重属性作为初始值。如果权重那么，属性是空的trainNetwork属性指定的初始化式WeightsInitializer层的属性。

数据类型:单|双

`偏见`- - - - - -层的偏见
`［］`(默认)|数字数组

转置卷积运算的层偏差，指定为1 × -NumFilters数字数组或［］．

层偏差是可学习参数。当你训练一个网络时，如果偏见非空吗trainNetwork使用偏见属性作为初始值。如果偏见那么是空的trainNetwork所指定的初始化式BiasInitializer．

数据类型:单|双

学习率和正则化

`WeightLearnRateFactor`- - - - - -学习率因子的权重
`1`(默认)|负的标量

权重的学习率因子，指定为非负标量。

该软件将该因子乘以全局学习率，以确定该层权重的学习率。例如，如果WeightLearnRateFactor是2，则该层权重的学习率为当前全局学习率的两倍。方法指定的设置，该软件根据设置确定全局学习率trainingOptions函数。

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

`BiasLearnRateFactor`- - - - - -学习率因素偏差
`1`(默认)|负的标量

偏差的学习率因子，指定为非负标量。

该软件将该因子乘以全局学习率，以确定该层偏差的学习率。例如，如果BiasLearnRateFactor是2，则该层中偏差的学习率为当前全局学习率的两倍。方法指定的设置，该软件根据设置确定全局学习率trainingOptions函数。

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

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

l₂权重的正则化因子，指定为非负标量。

软件将这个因子乘以全局l₂正则化因子的确定l₂这一层权重的正则化。例如，如果WeightL2Factor是2，则l₂这一层权重的正则化是全局的两倍l₂正则化因子。可以指定全局变量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偏差的正则化因子
`0`(默认)|负的标量

l₂偏差的正则化因子，指定为非负标量。

软件将这个因子乘以全局l₂正则化因子的确定l₂这一层偏差的正则化。例如，如果BiasL2Factor是2，则l₂这一层偏差的正则化是全局偏差的两倍l₂正则化因子。可以指定全局变量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

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

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name的层分配名称”．

数据类型:字符|字符串

`NumInputs`- - - - - -输入数量
`1`(默认)

此属性是只读的。

该层的输入数量。该层只接受单个输入。

数据类型:双

`InputNames`- - - - - -输入名字
`{'在'}`(默认)

此属性是只读的。

输入层的名称。该层只接受单个输入。

数据类型:细胞

`NumOutputs`- - - - - -输出数
`1`(默认)

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

`OutputNames`- - - - - -输出的名字
`{“出”}`(默认)

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

创建1-D卷积层

打开实时脚本

创建一个1-D卷积层，96个宽度为11的过滤器。

层=卷积1dlayer (11,96)

layer = Convolution1DLayer with properties: Name: " Hyperparameters FilterSize: 11 NumChannels: 'auto' NumFilters: 96 Stride: 1 DilationFactor: 1 PaddingMode: 'manual' PaddingSize: [0 0] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

中包含1-D卷积层层数组中。

layers = [sequenceInputLayer(12) convolution1dLayer(11,96) reluLayer globalMaxPooling1dLayer fullyConnectedLayer(10) softmaxLayer classificationLayer]

2 " Convolution 96 11 convoluwith stride 1 and padding [0 0] 3 " ReLU ReLU 4 " 1- d Global Max Pooling 1- d Global Max Pooling 5 " Fully Connected 10 Fully Connected Layer 6 " Softmax Softmax 7 " Classification Output crossentropyex

算法

全部展开

一维卷积层

1-D卷积层对1-D输入应用滑动卷积滤波器。该层通过沿着输入移动滤波器和计算权重和输入的点积来卷积输入，然后添加一个偏置项。

层卷积的维数取决于层输入:

对于时间序列和向量序列输入(分别对应通道、观测值和时间步长三个维度的数据)，该层在时间维度上进行卷积。
对于一维图像输入(对应于空间像素、通道和观测值的三维数据)，该层在空间维度上进行卷积。
对于一维图像序列输入(四维数据，分别对应空间像素、通道、观测值和时间步长)，该层在空间维度上进行卷积。

图层输入和输出格式

层数组或层图中的层传递指定为格式化的数据dlarray对象。

你可以与它们交互dlarray自动区分工作流中的对象，例如在开发自定义层时，使用functionLayer对象，或使用向前而且预测功能与dlnetwork对象。

的支持输入格式金宝appConvolution1DLayer对象和相应的输出格式。类的自定义层，该自定义层不继承nnet.layer.Formattable类，或FunctionLayer对象的Formattable选项设置为假，则该层接收一个未格式化的dlarray对象，其尺寸顺序对应于本表中概述的格式。

输入格式	输出格式
`“渣打银行”`(空间、通道、批次)	`“渣打银行”`(空间、通道、批次)
`“认知行为治疗”`(通道、批次、时间)	`“认知行为治疗”`(通道、批次、时间)
`“SCBT”`(空间、通道、批次、时间)	`“SCBT”`(空间、通道、批次、时间)

参考文献

格洛洛特，泽维尔，还有约书亚·本吉奥。《理解深度前馈神经网络训练的难度》在第十三届人工智能与统计国际会议论文集, 249 - 356。撒丁岛，意大利:AISTATS, 2010。

[2]何开明，张翔宇，任少卿，孙健。“深入研究整流器:在ImageNet分类上超越人类水平的性能。”在2015年IEEE计算机视觉国际会议论文集, 1026 - 1034。华盛顿:IEEE计算机视觉学会，2015。

版本历史

R2021b中引入

另请参阅

convolution1dLayer

描述

创建

语法

描述

输入参数

填充- - - - - -要应用于输入的填充[0 0](默认)|“相同”|“因果”|非负整数|非负整数的向量

属性

卷积

FilterSize- - - - - -滤波器宽度正整数

NumFilters- - - - - -过滤器数量正整数

步- - - - - -遍历输入的步长1(默认)|正整数

DilationFactor- - - - - -扩张卷积因子1(默认)|正整数

PaddingSize- - - - - -填充尺寸[0 0](默认)|两个非负整数的向量

PaddingMode- - - - - -方法来确定填充大小“手动”(默认)|“相同”|“因果”

PaddingValue- - - - - -填充数据的值0(默认)|标量|“symmetric-include-edge”|“symmetric-exclude-edge”|“复制”

NumChannels- - - - - -输入通道数“汽车”(默认)|正整数

参数和初始化

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

BiasInitializer- - - - - -函数初始化偏置“零”(默认)|“narrow-normal”|“的”|函数处理

权重- - - - - -层的重量［］(默认)|数字数组

偏见- - - - - -层的偏见［］(默认)|数字数组

学习率和正则化

WeightLearnRateFactor- - - - - -学习率因子的权重1(默认)|负的标量

BiasLearnRateFactor- - - - - -学习率因素偏差1(默认)|负的标量

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

BiasL2Factor- - - - - -l2偏差的正则化因子0(默认)|负的标量

层

的名字- - - - - -层的名字”(默认)|特征向量|字符串标量

NumInputs- - - - - -输入数量1(默认)

InputNames- - - - - -输入名字{'在'}(默认)

NumOutputs- - - - - -输出数1(默认)

OutputNames- - - - - -输出的名字{“出”}(默认)

例子

创建1-D卷积层

算法

一维卷积层

图层输入和输出格式

参考文献

版本历史

另请参阅

主题

`填充`- - - - - -要应用于输入的填充
`[0 0]`(默认)|`“相同”`|`“因果”`|非负整数|非负整数的向量

`FilterSize`- - - - - -滤波器宽度
正整数

`NumFilters`- - - - - -过滤器数量
正整数

`步`- - - - - -遍历输入的步长
`1`(默认)|正整数

`DilationFactor`- - - - - -扩张卷积因子
`1`(默认)|正整数

`PaddingSize`- - - - - -填充尺寸
`[0 0]`(默认)|两个非负整数的向量

`PaddingMode`- - - - - -方法来确定填充大小
`“手动”`(默认)|`“相同”`|`“因果”`

`PaddingValue`- - - - - -填充数据的值
`0`(默认)|标量|`“symmetric-include-edge”`|`“symmetric-exclude-edge”`|`“复制”`

`NumChannels`- - - - - -输入通道数
`“汽车”`(默认)|正整数

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

`BiasInitializer`- - - - - -函数初始化偏置
`“零”`(默认)|`“narrow-normal”`|`“的”`|函数处理

`权重`- - - - - -层的重量
`［］`(默认)|数字数组

`偏见`- - - - - -层的偏见
`［］`(默认)|数字数组

`WeightLearnRateFactor`- - - - - -学习率因子的权重
`1`(默认)|负的标量

`BiasLearnRateFactor`- - - - - -学习率因素偏差
`1`(默认)|负的标量

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

`BiasL2Factor`- - - - - -l₂偏差的正则化因子
`0`(默认)|负的标量

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

`NumInputs`- - - - - -输入数量
`1`(默认)

`InputNames`- - - - - -输入名字
`{'在'}`(默认)

`NumOutputs`- - - - - -输出数
`1`(默认)

`OutputNames`- - - - - -输出的名字
`{“出”}`(默认)