主要内容

featureInputLayer.

特性输入层

全部展开页面

描述

特征输入层将特征数据输入到网络，并进行数据规范化。当您拥有表示特征(不含空间或时间维度的数据)的数字标量数据集时，请使用此层。

用于图像输入，使用imageInputLayer．

创建

语法

层= featureInputLayer (numFeatures)
层= featureInputLayer (numFeatures、名称、值)

描述

层= featureInputLayer（numFeatures）返回特征输入层并设置输入属性到指定的功能数量。

例子

层= featureInputLayer（numFeatures，名称，价值）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

展开全部

功能输入

数据中每个观察的特征数量指定为正整数。

用于图像输入，使用imageInputLayer．

例子：10

每次数据通过输入层向前传播时应用的数据规范化，指定为以下其中之一:

  • “zerocenter”-减去指定的平均值意思．

  • “zscore”-减去指定的平均值意思并除以standarddeviation.．

  • “rescale-symmetric”—使用指定的最小值和最大值重新缩放输入，使其在[- 1,1]范围内最小值和最大限度,分别。

  • “rescale-zero-one”- 使用最小值和最大值，重新缩放输入到范围内[0,1]最小值和最大限度,分别。

  • “没有”- 请勿将输入数据标准化。

  • function handle—使用指定的函数对数据进行规范化。功能必须是形式的y = func（x）， 在哪里X是输入数据和输出数据吗Y是标准化的数据。

提示

默认情况下，软件会自动计算训练时间的归一化统计。为节省训练时的时间，指定规范化所需的统计信息并设置'resetInputnormalization'选项培训选项来假．

归一化尺寸，指定为下列尺寸之一:

  • “汽车”—如果培训选项是假然后指定任何标准化统计量(意思，standarddeviation.，最小值,或最大限度），然后通过匹配统计数据的尺寸标准化。否则，重新计算培训时间并申请渠道明智的归一化。

  • '渠道'- 渠道 - 明智的标准化。

  • '全部'- 使用标量统计来规范所有值。

指定为零中心和Z分数标准化的意思numFeatures- 1-1矢量平均值，数值标量或[]．

如果您指定了意思属性，然后正常化必须是“zerocenter”或者“zscore”．如果意思是[]，然后软件计算训练时的平均值。

在没有培训的情况下创建网络时，可以设置此属性（例如，使用网络使用assembleNetwork）。

数据类型:单|双倍的|int8|int16|INT32.|INT64.|uint8|uint16|uint32|uint64

标准偏差为z评分标准化，指定为anumFeatures- 1-1矢量平均值，数值标量或[]．

如果您指定了standarddeviation.属性，然后正常化必须是“zscore”．如果standarddeviation.是[]，然后软件计算训练时的标准差。

在没有培训的情况下创建网络时，可以设置此属性（例如，使用网络使用assembleNetwork）。

数据类型:单|双倍的|int8|int16|INT32.|INT64.|uint8|uint16|uint32|uint64

缩放的最小值，指定为numFeatures每个特征的-1最小向量，一个数字标量，或[]．

如果您指定了最小值属性，然后正常化必须是“rescale-symmetric”或者“rescale-zero-one”．如果最小值是[]，然后该软件在培训时间计算最小值。

在没有培训的情况下创建网络时，可以设置此属性（例如，使用网络使用assembleNetwork）。

数据类型:单|双倍的|int8|int16|INT32.|INT64.|uint8|uint16|uint32|uint64

重新定义的最大值，指定为anumFeatures-1个每种功能的最大值矢量，数字标量或[]．

如果您指定了最大限度属性，然后正常化必须是“rescale-symmetric”或者“rescale-zero-one”．如果最大限度是[]，然后软件计算在训练时的最大值。

在没有培训的情况下创建网络时，可以设置此属性（例如，使用网络使用assembleNetwork）。

数据类型:单|双倍的|int8|int16|INT32.|INT64.|uint8|uint16|uint32|uint64

层

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定为＇＇，然后软件会自动为培训时间分配给图层的名称。

数据类型:char|字符串

图层的输入数。该层没有输入。

数据类型:双倍的

图层的输入名称。该层没有输入。

数据类型:细胞

图层的输出数。此图层仅具有单个输出。

数据类型:双倍的

图层的输出名称。此图层仅具有单个输出。

数据类型:细胞

例子

全部收缩

打开直播脚本

创建一个名称的特征输入图层“输入”对于由21个功能组成的观察。

tillay = feedeinputlayer（21，“名字”，“输入”）
属性:Name: 'input' InputSize: 21 Hyperparameters Normalization: 'none' NormalizationDimension: 'auto'

包括一个特征输入层层数组中。

numfeatures = 21;numclasses = 3;图层= [FeatureInputLayer（NumFeatures，“名字”，“输入”）全连接列（numcrasses，“名字”，'fc'）softmaxlayer（“名字”，“sm”scassificationlayer（“名字”，“分类”）
图层= 4x1层阵列带图层：1'输入'特征输入21功能2'FC'完全连接3完全连接的第3层3'SM'Softmax Softmax 4'分类'分类输出CrossentRopyex
打开直播脚本

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

定义输入图像的大小，每次观测的特征个数，类的个数，卷积层的滤波器的大小和个数。

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，您必须将网络定义为两部分并将它们连接起来，例如，使用连接层。

定义网络的第一部分。定义图像分类图层，并在上次完全连接的图层之前包括替代层。

images = [imageInputLayer(imageInputSize，'正常化'，“没有”，“名字”，'图片'）卷积2dlayer（过滤，numfilters，“名字”，'conv') reluLayer (“名字”，'relu') fullyConnectedLayer (50,“名字”，“fc1”）ConcateationLayer（1,2，“名字”，“concat”）全连接列（numcrasses，“名字”，“取得”）softmaxlayer（“名字”，“softmax”）];

将层转换为层图。

Lgraph = LayerGraph（层）;

对于网络的第二部分，添加一个特征输入层，并将其连接到级联层的第二输入。

featInput = featureInputLayer (numFeatures,“名字”，'特征'）;Lgraph = AddLayers（LGraph，FeatInput）;Lgraph = ConnectLayers（LAPHAGE，'特征'，“concat / in2”）;

可视化网络。

图（LGROPL）

图中包含一个坐标轴。坐标轴包含一个graphplot类型的对象。

创建一个dlnetwork.目的。

dlnet = dlnetwork (lgraph)
dlnet = dlnetwork with properties: Layers: [8x1 nnet.cnn.layer.Layer] Connections: [7x2 table] Learnables: [6x3 table] State: [0x3 table] InputNames: {'images' ' 'features'} OutputNames: {'softmax'} Initialized: 1

扩展功能

另请参阅

||||||

主题

在R2020B中介绍

深度学习工具箱文档

金宝app

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书