crossChannelNormalizationLayer

信道级的本地响应规范化层

展开页面中的所有内容

描述

信道级的本地响应(跨信道)规范化层执行信道级的规范化。

创建

语法

层= crossChannelNormalizationLayer (windowChannelSize)

tills = CrossChannelNormalizationLayer（WindowCannelSize，名称，值）

描述

层= CrosschannelNormalizationLayer（windowchinnelsize.）创建一个通道相关的本地响应规范化层，并设置WindowChannelSize财产。

例子

层= CrosschannelNormalizationLayer（windowchinnelsize.，名称,值）设置可选属性WindowChannelSize，α，β，K，和的名字使用名称-值对。例如,crossChannelNormalizationLayer(5“K”1)创建一个局部响应归一化层，用于频道 - 明智的归一化，窗口大小为5和Khyperparameter 1。可以指定多个名称-值对。将每个属性名称用单引号括起来。

属性

全部展开

跨通道标准化

`WindowChannelSize`- - - - - -通道窗口的大小
正整数

频道窗口的大小，控制用于归一成元素的通道数，指定为正整数。

如果WindowChannelSize甚至，然后窗口是不对称的。该软件看起来上一个地板((w1) / 2)频道和以下内容地板（W / 2）渠道。例如，如果WindowChannelSize是4，然后该层将前一个通道中的相邻元素和后两个通道中的相邻元素归一化。

例子：5

`α`- - - - - -α.hyperparameter在正常化
0.0001(默认)|数字标量

α.归一化（乘法项）中的普遍参数，指定为数字标量。

例子：0.0002

`β`- - - - - -βhyperparameter在正常化
0.75(默认)|数字标量

β归一化中的超参数，指定为数值标量。的价值β必须大于等于0。01。

例子：0.8

`K`- - - - - -K归一化中的超参数
2(默认)|数字标量

K归一化中的超参数，指定为数值标量。的价值K必须大于或等于10^-5．

例子：2.5

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。要在层图中包含层，必须指定一个非空的、唯一的层名。如果你训练一个系列网络层和的名字设定为＇＇，然后该软件在训练时自动为该层指定一个名称。

数据类型:char|字符串

`numinputs.`- - - - - -输入数量
1(默认)

图层的输入数。此图层仅接受单个输入。

数据类型:双

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

图层的输入名称。此图层仅接受单个输入。

数据类型:细胞

`NumOutputs`- - - - - -数量的输出
1(默认)

层的输出数。这一层只有一个输出。

数据类型:双

`输出名称`- - - - - -输出的名字
`{“出”}`(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

创建本地响应归一化层

打开直播脚本

创建一个局部响应规范化层，用于通道级的规范化，其中有五个通道的窗口对每个元素进行规范化，并为规范化器添加常数 $K$ 是1。

第= CrosschannelnormalizationLayer（5，'K'1）

Hyperparameters WindowChannelSize: 5 Alpha: 1.0000e-04 Beta: 0.7500 K: 1. Hyperparameters WindowChannelSize: 5 Alpha: 1.0000e-04 Beta: 0.7500 K: 1

控件中包含一个局部响应规范化层层数组中。

层= [．..imageInputLayer([28 28 1])卷积2dlayer (5,20) reluLayer crossChannelNormalizationLayer(3) full connectedlayer (10) softmaxLayer classiationlayer]

图层= 7x1层阵列，具有图层：1''图像输入28x28x1图像，具有'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''交叉通道归一化交叉通道归一化与3个通道每个元素5''完全连接的10完全连接的第6层''softmax Softmax 7''分类输出Crossentropyex

限制

该层不支持3-D图像输入或向量序列输入。金宝app

参考

克里热夫斯基，A.苏茨基弗，和G. E.欣顿。基于深度卷积神经网络的ImageNet分类。神经信息处理系统的进展．25卷,2012年。

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

普通Pooling2dlayer.|Convolution2Dlayer.|maxPooling2dLayer

主题

介绍了R2016a

crossChannelNormalizationLayer

描述

创建

语法

描述

属性

跨通道标准化

`WindowChannelSize`- - - - - -通道窗口的大小
正整数

`α`- - - - - -α.hyperparameter在正常化
0.0001(默认)|数字标量

`β`- - - - - -βhyperparameter在正常化
0.75(默认)|数字标量

`K`- - - - - -K归一化中的超参数
2(默认)|数字标量

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)

`输出名称`- - - - - -输出的名字
`{“出”}`(默认)

例子

创建本地响应归一化层

限制

更多关于

当地反应正常化

参考

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

与Matlab引入深度学习

crossChannelNormalizationLayer

描述

创建

语法

描述

属性

跨通道标准化

WindowChannelSize- - - - - -通道窗口的大小正整数

α- - - - - -α.hyperparameter在正常化0.0001(默认)|数字标量

β- - - - - -βhyperparameter在正常化0.75(默认)|数字标量

K- - - - - -K归一化中的超参数2(默认)|数字标量

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)

输出名称- - - - - -输出的名字{“出”}(默认)

例子

创建本地响应归一化层

限制

更多关于

当地反应正常化

参考

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

与Matlab引入深度学习

`WindowChannelSize`- - - - - -通道窗口的大小
正整数

`α`- - - - - -α.hyperparameter在正常化
0.0001(默认)|数字标量

`β`- - - - - -βhyperparameter在正常化
0.75(默认)|数字标量

`K`- - - - - -K归一化中的超参数
2(默认)|数字标量

`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)

`输出名称`- - - - - -输出的名字
`{“出”}`(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。