Convolution2Dlayer.

二维卷积层

全部展开页面

描述

二维卷积层将滑动卷积滤波器应用于输入。该图层通过垂直和水平沿输入沿输入和计算重量和输入的点乘积来使滤波器旋转输入，然后添加偏置术语。

创建

语法

层= convolution2dLayer (filterSize numFilters)

tillay = Convolution2dlayer（过滤，NumFilters，名称，值）

描述

层= convolution2dLayer (filterSize，numFilters）创建一个二维卷积层，并设置FilterSize和NumFilters属性。

例子

层= convolution2dLayer (filterSize，numFilters，名称,值）设置可选步，稀释物料，NumChannels，参数和初始化，学习速率和正规化，和的名字属性使用名称值对。要指定输入填充，请使用“填充”名称-值对的论点。例如,convolution2dLayer(11, 96,“大步”4“填充”,1)创建一个带有96个滤镜的2d卷积层(11 11)一大步[4 4]，以及沿图层输入的所有边缘大小为1的填充。可以指定多个名称-值对。将每个属性名用单引号括起来。

输入参数

全部展开

名称-值对的观点

使用逗号分隔的名称-值对参数指定要沿层输入的边缘添加的填充的大小或设置步，稀释物料，NumChannels，参数和初始化，学习速率和正规化，和的名字属性。将名字用单引号括起来。

例子:convolution2dLayer(16日“填充”,“相同”)创建一个带有16个大小过滤器的2d卷积层[3 3]和'同样'填充。在训练时间时，软件计算并设置填充的大小，使得图层输出具有与输入相同的大小。

`“填充”`- - - - - -输入边缘填充
`[0 0 0]`(默认)|非负整数矢量|`'同样'`

输入边缘填充，指定为逗号分隔对“填充”其中一个价值观是:

'同样'-增加软件在训练或预测时计算的大小填充，使步幅等于1时输出的大小与输入的大小相同。如果步幅大于1，则输出大小为装天花板(inputSize /步),在那里inputSize输入的高度或宽度和宽度步为相应维度的步幅。如果可能的话，软件会在顶部和底部，以及左边和右边添加相同数量的填充。如果必须垂直添加的填充有奇数值，则软件会在底部添加额外的填充。如果必须水平添加的填充有奇数值，则软件会向右侧添加额外的填充。
非负整数p-添加大小填充p到输入的所有边缘。
向量[b]非负整数-添加大小填充一个输入的顶部和底部的填充大小b向左向右。
向量[t b l r]非负整数-添加大小填充t前,b底部,l向左，和r在输入的右边。

例子:“填充”,1在输入的顶部和底部添加一行填充，并在输入的左侧和右侧添加一列填充。

例子:'填充'，'同样'添加填充，使输出与输入具有相同的大小(如果步幅等于1)。

属性

全部展开

卷积

`FilterSize`- - - - - -过滤器的高度和宽度
两个正整数的向量

滤镜的高度和宽度，指定为矢量[w h]两个正整数，其中h是高度和w宽度。FilterSize定义输入中神经元连接到的局部区域的大小。

在创建图层时，可以指定FilterSize作为标量使用相同的值作为高度和宽度。

例子:5 [5]指定高度和宽度分别为5和5的过滤器。

`NumFilters`- - - - - -数量的过滤器
正整数

过滤器的数量，指定为正整数。这个数字与卷积层中连接输入区域的神经元数量相对应。这个参数决定了卷积层输出的通道(特征映射)的数量。

例子:96

`步`- - - - - -遍历输入的步长
`[1]`(默认)|两个正整数的向量

垂直和水平遍历输入的步长，指定为向量[b]两个正整数，其中一个垂直步长和b为水平步长。在创建图层时，可以指定步作为标量，对两步长使用相同的值。

例子:3 [2]指定垂直步长为2，水平步长为3。

`稀释物料`- - - - - -扩张卷积的因子
`[1]`(默认)|两个正整数的向量

扩展卷积的因子(也称为无卷积)，指定为矢量[w h]两个正整数，其中h是垂直扩张和w为水平膨胀。在创建图层时，可以指定稀释物料作为标量，对水平和垂直膨胀使用相同的值。

使用扩展卷积来增加层的接受域(层可以看到的输入区域)，而不增加参数或计算的数量。

通过在每个滤波器元件之间插入零来扩展滤波器。扩张因子确定用于采样输入的步骤或等效地对滤波器的上采样因子进行采样。它对应于有效的滤波器大小（过滤器的大小- 1) *膨胀系数+ 1。例如，一个带有膨胀系数的3 × 3滤波器(2 - 2)相当于一个元素之间为零的5 × 5滤波器。

例子:3 [2]

`PaddingSize`- - - - - -大小的填充
`[0 0 0]`(默认)|四个非负整数的向量

应用于输入边框的填充大小，指定为矢量[t b l r]四个非负整数，其中t填充是施加到顶部的，b是底部的填充物，l填充是否应用于左侧，和r是应用到右边的填充。

当你创建一个图层时，使用“填充”参数的名称-值对指定填充大小。

例子:[1 1 2 2]在输入的顶部和底部添加一行填充，并在输入的左侧和右侧添加两列填充。

`PaddingMode`- - - - - -确定填充尺寸的方法
`'手动'`(默认)|`'同样'`

确定填充大小的方法，指定为'手动'或者'同样'．

该软件自动设置值PaddingMode基于“填充”在创建图层时指定的值。

如果你设置“填充”选项为标量或非负整数向量，则软件自动设置PaddingMode来'手动'．
如果你设置“填充”选项'同样'，则软件自动设定PaddingMode来'同样'并计算训练时填充的大小，使stride等于1时输出的大小与输入的大小相同。如果步幅大于1，则输出大小为装天花板(inputSize /步),在那里inputSize输入的高度或宽度和宽度步为相应维度的步幅。如果可能的话，软件会在顶部和底部，以及左边和右边添加相同数量的填充。如果必须垂直添加的填充有奇数值，则软件会在底部添加额外的填充。如果必须水平添加的填充有奇数值，则软件会向右侧添加额外的填充。

`填充`- - - - - -大小的填充
`[0 0]`(默认)|两个非负整数的向量

请注意

填充属性将在未来的版本中被删除。使用PaddingSize相反。创建图层时，使用“填充”参数的名称-值对指定填充大小。

填充的大小垂直和水平地应用于输入边框，指定为矢量[b]两个非负整数，其中一个填充是否应用于输入数据的顶部和底部b是应用于左边和右边的填充。

例子:[1]在输入的顶部和底部添加一行填充，并在输入的左侧和右侧添加一列填充。

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

值来填充数据，指定为以下其中之一:

`PaddingValue`	描述	例子
标量	用指定的标量值填充。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 3. & 1 & 4 & 0 & 0 \\ 0 & 0 & 1 & 5 & 9 & 0 & 0 \\ 0 & 0 & 2 & 6 & 5 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \end{matrix} ］$
`“symmetric-include-edge”`	使用输入的镜像值(包括边值)填充。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \end{matrix} ］$
`“symmetric-exclude-edge”`	使用镜像输入值(不包括边值)的Pad。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \end{matrix} ］$
`“复制”`	使用输入的重复边框元素填充	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 1 & 1 & 1 & 5 & 9 & 9 & 9 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \end{matrix} ］$

`NumChannels`- - - - - -每个滤波器的通道数
`“汽车”`(默认)|正整数

每个过滤器的通道数，指定为“汽车”或者一个正整数。

此参数始终等于输入到卷积层的输入的通道数。例如，如果输入是彩色图像，则输入的通道数为3.如果在电流层之前的卷积层的滤波器的数量为16，则当前层的通道数为16．

如果NumChannels是“汽车”，然后软件在培训时确定通道的数量。

例子:256

参数和初始化

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

函数初始化权值，指定为以下其中之一:

“glorot”-使用gloria初始化器初始化权重［4］(也称为Xavier初始化器)。格洛特初始化器从均值和方差均为零的均匀分布中独立抽样2 / (numIn + numOut),在那里numIn = FilterSize (1) * FilterSize (2) * NumChannels和numOut = FilterSize (1) * FilterSize (2) * NumFilters．
“他”-使用He初始化器初始化权值［５］．初始化器的样本来自均值和方差为零的正态分布2 / numIn,在那里numIn = FilterSize (1) * FilterSize (2) * NumChannels．
'窄正常'-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”—初始化权值为0。
“的”—使用“1”初始化权重。
函数句柄——用自定义函数初始化权重。如果指定函数句柄，则该函数必须是这种形式的重量= func(深圳),在那里深圳是重量的大小。例如，请参见指定自定义权重初始化功能．

该图层仅初始化权重权重属性是空的。

数据类型:字符|字符串|function_handle

`偏见初始化器`- - - - - -函数初始化偏差
`“零”`(默认)|`'窄正常'`|`“的”`|函数处理

函数初始化偏差，指定为以下任意一个:

“零”-用零初始化偏差。
“的”- 初始化偏差。
'窄正常'-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——用自定义函数初始化偏差。如果指定函数句柄，则该函数必须是这种形式的BIAS = FUNC（SZ）,在那里深圳是偏见的大小。

该层仅在偏见属性是空的。

数据类型:字符|字符串|function_handle

`权重`- - - - - -层的重量
`［］`(默认)|数字数组

卷积层的层权重，指定为数字数组。

层权重是可学习参数。您可以直接指定权重的初始值权重属性的层。当训练一个网络时，如果权重属性为非空，则trainNetwork用来权重属性作为初始值。如果权重属性为空trainNetwork使用指定的初始化程序WeightsInitializer属性的层。

在培训时,权重是一个FilterSize (1)——- - - - - -FilterSize (2)——- - - - - -NumChannels——- - - - - -NumFilters数组中。

数据类型:单|双

`偏见`- - - - - -层的偏见
`［］`(默认)|数字数组

层偏差为卷积层，指定为数字数组。

层偏差是可学习的参数。当训练一个网络时，如果偏见非空的,那么trainNetwork用来偏见属性作为初始值。如果偏见是空的,然后trainNetwork使用指定的初始化程序偏见初始化器．

在培训时,偏见是一个1-by-1-by——NumFilters数组中。

数据类型:单|双

学习速率和正规化

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

学习权重的因素，指定为非负标量。

该软件将这个因子乘以全局学习率，以确定这一层权重的学习率。例如,如果WeightLearnRateFactor为2，则该层权值的学习率为当前全局学习率的两倍。该软件根据指定的设置来确定全局学习率培训选项函数。

例子:2

`BiasLearnRateFactor`- - - - - -学习速率因素的偏差
1(默认)|负的标量

偏差的学习率因子，指定为非负标量。

软件将这个因子乘以全局学习率，以确定这一层偏差的学习率。例如,如果BiasLearnRateFactor为2，则该层偏差的学习率是当前全局学习率的两倍。该软件根据指定的设置来确定全局学习率培训选项函数。

例子:2

`WeightL2Factor`- - - - - -L2正则化因子的权重
1(默认)|负的标量

权值的L2正则化因子，指定为非负标量。

该软件将这个因子乘以全局L2正则化因子，以确定该层权重的L2正则化。例如,如果WeightL2Factor为2，则该层权值的L2正则化是全局L2正则化因子的两倍。的方法可以指定全局L2正则化因子培训选项函数。

例子:2

`BiasL2Factor`- - - - - -L2偏差的正则化因子
0(默认)|负的标量

偏差的L2正则化因子，指定为非负标量。

该软件将该因子乘以L2的全局正则化因子，以确定该层偏差的L2正则化。例如,如果BiasL2Factor为2，则该层偏差的L2正则化是全局L2正则化因子的两倍。的方法可以指定全局L2正则化因子培训选项函数。

例子:2

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。若要在层图中包含层，必须指定非空的唯一层名。如果你用层和的名字被设置为＇＇，然后软件在训练时自动为该层分配一个名称。

数据类型:字符|字符串

`NumInputs`- - - - - -输入数量
1(默认)

层的输入数。这一层只接受单个输入。

数据类型:双

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

输入层名。这一层只接受单个输入。

数据类型:细胞

`NumOutputs`- - - - - -数量的输出
1(默认)

层输出的数量。这一层只有一个输出。

数据类型:双

`OutputNames`- - - - - -输出的名字
`{'out'}`(默认)

图层的输出名称。这一层只有一个输出。

数据类型:细胞

例子

全部折叠

创建卷积层

打开直播脚本

创建一个带有96个滤镜的卷积层，每个滤镜的高度和宽度为11。在水平和垂直方向上使用4步。

96年层= convolution2dLayer(11日“步”4)

layer = Convolution2DLayer with properties: Name: " Hyperparameters FilterSize: [11 11] NumChannels: 'auto' NumFilters: 96 Stride: [4 4] DilationFactor: [11] PaddingMode: 'manual' PaddingSize: [0 0 0] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

中包含一个卷积层层数组中。

[imageInputLayer([28 28 1])卷积2dlayer (5,20) reluLayer maxPooling2dLayer(2, 20))“步”，2) fulllyconnectedlayer (10) softmaxLayer classifier]

图层= 7x1层阵列，图层：1''图像输入28x28x1图像与'zerocenter'归一化2''卷积20 5x5卷积与步幅[1 1]和填充[0 0 0 0] 3''Relu Relu 4''Max汇集2x2 max汇集步进[2 2]和填充[0 0 0 0] 5''完全连接的10完全连接的第6层''softmax softmax 7''分类输出crossentropyex

在卷积层中指定初始权重和偏差

打开直播脚本

要指定权重和偏差初始化式函数，请使用WeightsInitializer和偏见初始化器属性分别。要直接指定权重和偏差，请使用权重和偏见属性分别。

指定初始化功能

创建一个带有32个过滤器的卷积层，每个过滤器的高度和宽度都为5，并指定权重初始化器为He初始化器。

filterSize = 5;numFilters = 32;层= convolution2dLayer (filterSize numFilters,．..'掌控itializer'，“他”）

layer = Convolution2DLayer with properties: Name: " Hyperparameters FilterSize: [5 5] NumChannels: 'auto' NumFilters: 32 Stride: [1 1] DilationFactor: [1 1] PaddingMode: 'manual' PaddingSize: [0 0 0] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

请注意,权重和偏见属性是空的。在训练时，软件使用指定的初始化函数初始化这些属性。

指定自定义初始化函数

要为权重和偏差指定自己的初始化函数，请设置WeightsInitializer和偏见初始化器属性设置为函数句柄。对于这些属性，指定将权重和偏差的大小作为输入和输出初始化值的函数句柄。

创建一个带有32个滤镜的卷积层，每个滤镜的高度和宽度为5，并指定初始化器，该初始化器从高斯分布中采样权重和偏差，标准差为0.0001。

filterSize = 5;numFilters = 32;层= convolution2dLayer (filterSize numFilters,．..'掌控itializer'， @(sz) rand(sz) * 0.0001，．..“BiasInitializer”， @(sz) rand(sz) * 0.0001)

layer = Convolution2DLayer with properties: Name: " Hyperparameters FilterSize: [5 5] NumChannels: 'auto' NumFilters: 32 Stride: [1 1] DilationFactor: [1 1] PaddingMode: 'manual' PaddingSize: [0 0 0] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

再一次,权重和偏见属性是空的。在训练时，软件使用指定的初始化函数初始化这些属性。

直接指定权重和偏差

创建一个完整连接的层，输出大小为10，并设置权重和偏差W和b在MAT文件中Conv2dWeights.mat分别。

filterSize = 5;numFilters = 32;负载Conv2dWeights层= convolution2dLayer (filterSize numFilters,．..“重量”W,．..“偏见”, b)

layer = Convolution2DLayer with properties: Name: " Hyperparameters FilterSize: [5 5] NumChannels: 3 NumFilters: 32 Stride: [1 1] DilationFactor: [1 1] PaddingMode: 'manual' PaddingSize: [0 0 0] PaddingValue: 0 Learnable Parameters Weights: [5x5x3x32 double] Bias: [1x1x32 double]显示所有属性

在这里,权重和偏见属性包含指定的值。在培训时间，如果这些属性是非空的，则软件将指定的值用作初始权重和偏差。在这种情况下，该软件不使用初始化器功能。

创建完全覆盖输入的卷积层

打开直播脚本

假设输入的大小是28 × 28 × 1。创建一个带有16个滤镜的卷积层，每个滤镜的高度为6，宽度为4。将水平和垂直步幅设置为4。

确保卷积完全覆盖输入。为了使卷积完全覆盖输入，水平和垂直输出维度都必须是整数。如果水平输出尺寸为整数，则图像的顶部和底部需要一行填充:(28 - 6+ 2 * 1)/4 + 1 = 7。如果垂直输出尺寸为整数，则不需要填充零:(28 - 4+ 2 * 0)/4 + 1 = 7。

构建卷积层。

layer = convolution2dLayer([6 4]，16，“步”，4，“填充”1, [0])

layer = Convolution2DLayer with properties: Name: " Hyperparameters FilterSize: [6 4] NumChannels: 'auto' NumFilters: 16 Stride: [4 4] DilationFactor: [1 1] PaddingMode: 'manual' PaddingSize: [1 1 0] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

兼容性考虑因素

全部展开

默认权重初始化是gloria

行为在R2019a中改变

从R2019a开始，软件默认使用gloria初始化器初始化该层的层权值。这种行为有助于稳定训练，通常减少深度网络的训练时间。

在以前的版本中，软件默认从均值为零、方差为0.01的正态分布中抽样，初始化层权重。要重现这种行为，请设置'掌控itializer'选项的层'窄正常'．

参考文献

莱昆，Y. B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard，和L. D. jackkel。“基于反向传播网络的手写数字识别”在神经信息处理系统研究进展2(杜雷兹基编)。旧金山:摩根·考夫曼，1990年。

勒昆(LeCun)、L.博图(L. Bottou)、Y.本吉奥(Y. Bengio)和P. Haffner。“梯度学习在文档识别中的应用”。IEEE论文集．1998年第86卷第11期，第2278-2324页。

K. P.墨菲机器学习:概率视角．马萨诸塞州剑桥:麻省理工学院出版社，2012。

[4] Glorot，Xavier和Yoshua Bengio。“了解训练深馈神经网络的难度。”在第十三届国际人工智能和统计会议论文集, 249 - 356。撒丁岛，意大利:AISTATS, 2010。

何开明，张翔宇，任少青，孙健深入研究整流器:在图像网分类上超越人类水平的表现。在2015 IEEE计算机视觉国际会议论文集, 1026 - 1034。计算机视觉，2015。

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项及限制:

对于代码生成，PaddingValue参数必须等于0，为默认值。

GPU的代码生成
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。

使用注意事项及限制:

对于代码生成，PaddingValue参数必须等于0，为默认值。

另请参阅

主题

介绍了R2016a

^［1］图片来源:卷积运算（许可证）

Convolution2Dlayer.

描述

创建

语法

描述

输入参数

“填充”- - - - - -输入边缘填充[0 0 0](默认)|非负整数矢量|'同样'

属性

卷积

FilterSize- - - - - -过滤器的高度和宽度两个正整数的向量

NumFilters- - - - - -数量的过滤器正整数

步- - - - - -遍历输入的步长[1](默认)|两个正整数的向量

稀释物料- - - - - -扩张卷积的因子[1](默认)|两个正整数的向量

PaddingSize- - - - - -大小的填充[0 0 0](默认)|四个非负整数的向量

PaddingMode- - - - - -确定填充尺寸的方法'手动'(默认)|'同样'

填充- - - - - -大小的填充[0 0](默认)|两个非负整数的向量

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

NumChannels- - - - - -每个滤波器的通道数“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”|'窄正常'|“零”|“的”|函数处理

偏见初始化器- - - - - -函数初始化偏差“零”(默认)|'窄正常'|“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

学习速率和正规化

WeightLearnRateFactor- - - - - -权重的学习率因子1(默认)|负的标量

BiasLearnRateFactor- - - - - -学习速率因素的偏差1(默认)|负的标量

WeightL2Factor- - - - - -L2正则化因子的权重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- - - - - -数量的输出1(默认)

OutputNames- - - - - -输出的名字{'out'}(默认)

例子

创建卷积层

在卷积层中指定初始权重和偏差

创建完全覆盖输入的卷积层

更多关于

卷积的层

兼容性考虑因素

默认权重初始化是gloria

参考文献

扩展功能

C / c++代码生成使用MATLAB®Coder™生成C和c++代码。

GPU的代码生成使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。

另请参阅

主题

深度学习工具箱文档

金宝app

介绍基于MATLAB的深度学习

`“填充”`- - - - - -输入边缘填充
`[0 0 0]`(默认)|非负整数矢量|`'同样'`

`FilterSize`- - - - - -过滤器的高度和宽度
两个正整数的向量

`NumFilters`- - - - - -数量的过滤器
正整数

`步`- - - - - -遍历输入的步长
`[1]`(默认)|两个正整数的向量

`稀释物料`- - - - - -扩张卷积的因子
`[1]`(默认)|两个正整数的向量

`PaddingSize`- - - - - -大小的填充
`[0 0 0]`(默认)|四个非负整数的向量

`PaddingMode`- - - - - -确定填充尺寸的方法
`'手动'`(默认)|`'同样'`

`填充`- - - - - -大小的填充
`[0 0]`(默认)|两个非负整数的向量

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

`NumChannels`- - - - - -每个滤波器的通道数
`“汽车”`(默认)|正整数

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

`偏见初始化器`- - - - - -函数初始化偏差
`“零”`(默认)|`'窄正常'`|`“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`- - - - - -权重的学习率因子
1(默认)|负的标量

`BiasLearnRateFactor`- - - - - -学习速率因素的偏差
1(默认)|负的标量

`WeightL2Factor`- - - - - -L2正则化因子的权重
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`- - - - - -数量的输出
1(默认)

`OutputNames`- - - - - -输出的名字
`{'out'}`(默认)

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

GPU的代码生成
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。