sequenceInputlayer.

序列输入层

展开所有页面

描述

序列输入层将序列数据输入到网络。

创建

语法

层= sequenceInputLayer (inputSize)

tillay = sequenceInputLayer（输入，名称，值）

描述

层= sequenceInputLayer（输入）创建序列输入层并设置输入财产。

例子

层= sequenceInputLayer（输入，名称,值）设置可选正常化，意思，和名称使用名称-值对的属性。可以指定多个名称-值对。将每个属性名用单引号括起来。

特性

展开全部

图像输入

`输入`- - - - - -大小的输入
正整数|正整数向量

输入的大小，指定为正整数或正整数的向量。

对于向量序列输入，输入是对应于特征数量的标量。
对于2-D图像序列输入，输入是三个元素的矢量[w c h]，在哪里h是图像高度，w是图像宽度，和c为图像的通道数。
对于3-D图像序列输入，输入是四个元素的向量吗[H W D C]，在哪里h是图像高度，w为图像宽度，d是图像深度，还有c为图像的通道数。

例子：100.

`正常化`- - - - - -数据归一化
`“没有”`（默认）|`'Zerocenter'`|`“zscore”`|`“rescale-symmetric”`|`'Rescale-Zero-One'`|函数处理

要应用每次数据的数据归一化将通过输入图层向前传播，指定为以下之一：

'Zerocenter'- 减去所指定的平均值意思．
“zscore”- 减去所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]范围内闵和最大限度,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]闵和最大限度,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输入数据和输出是输出Y是标准化的数据。

提示

默认情况下，该软件可自动计算培训时间的标准化统计信息。要节省培训时，请指定规范化所需的统计信息，并设置'resetInputnormalization'选项培训选项到假．

如果输入数据包含填充，则在归一化输入数据时，该图层忽略了填充值。

`正常化Dimension.`- - - - - -规范化维度
`“汽车”`（默认）|`'渠道'`|`“元素”`|`“所有”`

标准化维度，指定为以下之一：

“汽车”—如果培训选项是假并且您指定了任何归一化统计信息（意思，standarddeviation.，闵，要么最大限度），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。
“元素”——Element-wise正常化。
“所有”- 使用标量统计来规范所有值。

`意思`- - - - - -零中心和Z分数标准化的意思
`[]`（默认）|数字数组|数字标量

零中心和z评分标准化的意思，指定为数字阵列或空。

对于向量序列输入，意思必须是一个输入- 1个每频道的手段矢量，数字标量或[]．
对于2-D图像序列输入，意思必须是与相同尺寸的数字数组输入, 1-by-1-byInputSize（3）每个通道，数字标量或[]．
对于3-D图像序列输入，意思必须是与相同尺寸的数字数组输入，一个1-by-1-by-输入（4）每个通道，数字标量或[]．

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

您可以在不进行培训的情况下创建网络时设置此属性(例如，使用汇编)．

数据类型：单身的|双倍的|INT8.|int16|INT32.|INT64.|uint8.|uint16|UINT32.|UINT64

`standarddeviation.`- - - - - -标准偏差
`[]`（默认）|数字数组|数字标量

用于z-score标准化的标准偏差，指定为数字数组、数字标量或空。

对于向量序列输入，standarddeviation.必须是一个输入- 1个每条通道标准偏差矢量，数字标量或[]．
对于2-D图像序列输入，standarddeviation.必须是与相同尺寸的数字数组输入, 1-by-1-byInputSize（3）每个通道的标准差数组、数字标量或[]．
对于3-D图像序列输入，standarddeviation.必须是与相同尺寸的数字数组输入，一个1-by-1-by-输入（4）每个通道的标准偏差数组，或数字标量。

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。

您可以在不进行培训的情况下创建网络时设置此属性(例如，使用汇编)．

数据类型：单身的|双倍的|INT8.|int16|INT32.|INT64.|uint8.|uint16|UINT32.|UINT64

`闵`- - - - - -重新划分的最小值
`[]`（默认）|数字数组|数字标量

重新定义的最小值，指定为数字数组或空。

对于向量序列输入，闵必须是一个输入-1个每个通道或数字标量的装置矢量矢量。
对于2-D图像序列输入，闵必须是与相同尺寸的数字数组输入, 1-by-1-byInputSize（3）每个通道最小值数组，或数字标量。
对于3-D图像序列输入，闵必须是与相同尺寸的数字数组输入，一个1-by-1-by-输入（4）每个通道最小值数组，或数字标量。

如果您指定了闵属性，然后正常化必须是“rescale-symmetric”要么'Rescale-Zero-One'．如果闵是[]，然后软件在训练时间计算最小值。

您可以在不进行培训的情况下创建网络时设置此属性(例如，使用汇编)．

数据类型：单身的|双倍的|INT8.|int16|INT32.|INT64.|uint8.|uint16|UINT32.|UINT64

`最大限度`- - - - - -重新划分的最大值
`[]`（默认）|数字数组|数字标量

用于重新缩放的最大值，指定为数字数组，或为空。

对于向量序列输入，最大限度必须是一个输入-1个每个通道或数字标量的装置矢量矢量。
对于2-D图像序列输入，最大限度必须是与相同尺寸的数字数组输入, 1-by-1-byInputSize（3）每个通道的最大数组，数字标量或[]．
对于3-D图像序列输入，最大限度必须是与相同尺寸的数字数组输入，一个1-by-1-by-输入（4）每个通道的最大数组，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”要么'Rescale-Zero-One'．如果最大限度是[]，然后软件在训练时间计算最大值。

您可以在不进行培训的情况下创建网络时设置此属性(例如，使用汇编)．

数据类型：单身的|双倍的|INT8.|int16|INT32.|INT64.|uint8.|uint16|UINT32.|UINT64

层

`名称`- - - - - -层的名字
`＇＇`（默认）|字符向量|字符串标量

图层名称，指定为字符向量或字符串标量。要在图层图中包含一个图层，必须指定非空，唯一的图层名称。如果您使用该图层培训系列网络名称被设置为＇＇，然后软件在训练时自动为该层分配一个名称。

数据类型：char|细绳

`numinputs.`- - - - - -输入数量
0（默认）

图层的输入数。该层没有输入。

数据类型：双倍的

`输入名称`- - - - - -输入名称
`{}`（默认）

图层的输入名称。该层没有输入。

数据类型：细胞

`NumOutputs`- - - - - -输出数量
1（默认）

图层的输出数。此图层仅具有单个输出。

数据类型：双倍的

`输出名称`- - - - - -输出的名字
`{'出去'}`（默认）

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

创建序列输入层

打开直播脚本

创建一个序列输入层的名称'seq1'和输入大小为12。

tillay = sequenceInputlayer（12，“名字”，'seq1'）

layer = SequenceInputLayer with properties: Name: 'seq1' InputSize: 12 Hyperparameters Normalization: 'none' NormalizationDimension: 'auto'

包括序列输入层层数组中。

inputSize = 12;numHiddenUnits = 100;numClasses = 9;层= [......sequenceInputLayer（InputSize）LSTMLAYER（NUMHIDNEDURITS，'OutputMode'，“最后一次”)软连接层(numClasses)

图层= 5x1层阵列带有图层：1''序列输入序列输入，带12尺寸2''LSTM LSTM，具有100个隐藏单元3'完全连接的9完全连接的第4层''Softmax SoftMax 5''分类输出CrossentRopyex

为图像序列创建序列输入层

打开直播脚本

创建具有名称224-224 RGB图像的序列的序列输入层'seq1'．

layer = sequenceInputlayer（[224 224 3]，“名字”，'seq1'）

tillay = sequenceInputLayer具有属性：名称：'SEQ1'输入：[224 224 3] radipameters标准化：'无'标准化dimension：'auto'

序列分类训练网络

打开直播脚本

培训深度学习LSTM网络，用于序列到标签分类。

如[1]和[2]中所述加载日语元音数据集。XTrain.是含有270个变化长度序列的细胞阵列，其具有对应于LPC综合系数的12个特征。Y是标签1,2，...，9的分类矢量。参赛作品XTrain.是具有12行的矩阵（每个特征的一行）和不同数量的列（每次步骤一列）。

[Xtrain，Ytrain] = JapanesevowelstrainData;

在绘图中可视化第一次序列。每行对应于特征。

图绘制(XTrain{1}”)标题(“培训观察1”）numfeatures = size（xtrain {1}，1）;传奇（“特征 ”+字符串(1:numFeatures),'地点'，“northeastoutside”）

定义LSTM网络架构。指定输入大小为12(输入数据的特征数量)。指定一个LSTM层有100个隐藏单元，并输出序列的最后一个元素。最后，通过包含大小为9的完全连接层、softmax层和分类层来指定9个类。

inputSize = 12;numHiddenUnits = 100;numClasses = 9;层= [......sequenceInputLayer（InputSize）LSTMLAYER（NUMHIDNEDURITS，'OutputMode'，“最后一次”)软连接层(numClasses)

图层= 5×1层阵列，带有图层：1''序列输入序列输入，带12尺寸2''LSTM LSTM，具有100个隐藏单元3'完全连接的9个完全连接的第4层''Softmax SoftMax 5''分类输出CrossentRopyex

指定培训选项。指定求解器为'亚当'和“GradientThreshold”为1。设置mini-batch size为27，最大epoch数为70。

由于迷你批次具有短序列，因此CPU更适合培训。放“ExecutionEnvironment”到'中央处理器'．在GPU上训练，如果有的话，设置“ExecutionEnvironment”到“汽车”(默认值)。

maxEpochs = 70;miniBatchSize = 27个;选择= trainingOptions ('亚当'，......“ExecutionEnvironment”，'中央处理器'，......'maxepochs'，maxepochs，......'minibatchsize'，小匹马，......“GradientThreshold”，1，......'verbose'，错误的，......“阴谋”，'培训 - 进步'）;

使用指定的培训选项列车LSTM网络。

net = trainnetwork（xtrain，ytrain，图层，选项）;

加载测试集并将序列分类为扬声器。

[xtest，ytest] =日本韦沃尔斯特迪塔

分类测试数据。指定用于培训的相同百分比大小。

XTest YPred =分类(净,'minibatchsize', miniBatchSize);

计算预测的分类精度。

ACC = SUM（YPRED == ytest）./ numel（ytest）

ACC = 0.9514

分类LSTM网络

打开直播脚本

为了创建用于序列到标签分类的LSTM网络，创建包含序列输入层，LSTM层，完全连接的层，软MAX层和分类输出层的层数组。

将序列输入层的大小设置为输入数据的特征数。将完全连接的图层的大小设置为类的数量。您无需指定序列长度。

对于LSTM图层，指定隐藏单元的数量和输出模式“最后一次”．

numfeatures = 12;numHiddenUnits = 100;numClasses = 9;层= [......sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,'OutputMode'，“最后一次”) fulllyconnectedlayer (numClasses) softmaxLayer classificationLayer;

有关如何培训LSTM网络以获取序列到标签分类和分类新数据的示例，请参阅使用深度学习序列分类．

要为序列到序列分类创建LSTM网络，请使用与序列到标签分类相同的架构，但将LSTM层的输出模式设置为“序列”．

numfeatures = 12;numHiddenUnits = 100;numClasses = 9;层= [......sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,'OutputMode'，“序列”) fulllyconnectedlayer (numClasses) softmaxLayer classificationLayer;

回归LSTM网络

打开直播脚本

要创建序列到一回归的LSTM网络，需要创建一个包含序列输入层、LSTM层、全连接层和回归输出层的层阵列。

将序列输入层的大小设置为输入数据的特征数。将完全连接的图层的大小设置为响应的数量。您无需指定序列长度。

对于LSTM图层，指定隐藏单元的数量和输出模式“最后一次”．

numfeatures = 12;numhidendunits = 125;numreponses = 1;层= [......sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,'OutputMode'，“最后一次”）全连接列（NumResponses）回归范围];

要为序列到序列回归创建LSTM网络，请使用与序列到一个回归相同的架构，但将LSTM层的输出模式设置为“序列”．

numfeatures = 12;numhidendunits = 125;numreponses = 1;层= [......sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,'OutputMode'，“序列”）全连接列（NumResponses）回归范围];

有关如何训练LSTM网络进行序列到序列回归和预测新数据的示例，请参见使用深度学习的序列到序列回归．

更深的LSTM网络

打开直播脚本

您可以通过使用输出模式插入额外的LSTM层来更深入地制作LSTM网络“序列”在LSTM层之前。为防止过度装备，您可以在LSTM层后插入丢弃层。

对于序列到标签分类网络，必须是最后一个LSTM层的输出模式“最后一次”．

numfeatures = 12;numhiddentunits1 = 125;numhidendunits2 = 100;numClasses = 9;层= [......SequenceInputLayer（NumFeatures）LSTMLAYER（numhidentunits1，'OutputMode'，“序列”) dropoutLayer (0.2) lstmLayer (numHiddenUnits2'OutputMode'，“最后一次”) dropoutLayer(0.2) fulllyconnectedlayer (numClasses) softmaxLayer classificationLayer];

对于序列到序列分类网络，必须是最后一个LSTM层的输出模式“序列”．

numfeatures = 12;numhiddentunits1 = 125;numhidendunits2 = 100;numClasses = 9;层= [......SequenceInputLayer（NumFeatures）LSTMLAYER（numhidentunits1，'OutputMode'，“序列”) dropoutLayer (0.2) lstmLayer (numHiddenUnits2'OutputMode'，“序列”) dropoutLayer(0.2) fulllyconnectedlayer (numClasses) softmaxLayer classificationLayer];

为视频分类创建网络

打开直播脚本

为包含图像序列的数据创建深度学习网络，例如视频和医学图像数据。

要将图像序列输入到网络中，请使用序列输入层。
为了将卷积操作独立应用于每次步骤，首先使用序列折叠层将图像的序列转换为图像阵列。
要在执行这些操作后恢复序列结构，请使用序列展开层将此阵列图像转换回图像序列。
要将图像转换为特征向量，请使用扁平层。

然后，您可以将向量序列输入到LSTM和Bilstm层中。

定义网络架构

创建一个分类LSTM网络，将28-×28灰度图像的序列分类为10类。

定义以下网络架构:

序列输入层，其输入大小为[28 28 1]．
具有20个5 × 5滤波器的卷积、批处理归一化和ReLU层块。
一个LSTM层，具有200个隐藏单元，仅输出最后一次步骤。
完全连接的大小10（类数），后跟软MAX层和分类层。

为了独立地在每次上执行卷积操作，包括卷积层之前的序列折叠层。LSTM层预计向量序列输入。为了恢复序列结构并将卷积层的输出重新塑造到特征向量的序列，在卷积层和LSTM层之间插入序列展开层和平坦层。

输入= [28 28 1];filtersize = 5;numfilters = 20;numhidendunits = 200;numclasses = 10;层= [......sequenceInputLayer (inputSize“名字”，“输入”）SechandFoldingLayer（“名字”，“折”）卷积2dlayer（过滤，numfilters，“名字”，'conv'batchnormalizationlayer（“名字”，'bn') reluLayer (“名字”，'relu'）SequencunfoldingLayer（“名字”，'展开'）Flattenlayer（“名字”，“平”）lstmlayer（numhidendunits，'OutputMode'，“最后一次”，“名字”，'lstm'）全连接列（numcrasses，“名字”，'fc') softmaxLayer (“名字”，'softmax'scassificationlayer（“名字”，'分类'）];

将图层转换为图层图并连接miniBatchSize序列折叠层的输出到序列展开层的相应输入。

Lgraph = LayerGraph（层）;Lgraph = ConnectLayers（LAPHAGE，“折/ miniBatchSize”，'展开/小贴士'）;

使用介绍最终网络架构情节函数。

图绘图（LGROP）

图中包含一个坐标轴。坐标轴包含一个graphplot类型的对象。

兼容性考虑因素

展开全部

`sequenceInputlayer.`，默认情况下，使用通道方向的归一化进行零中心归一化

未来发布的行为变化

从R2019B开始，sequenceInputlayer.默认情况下，使用频道明智的归一化进行零中心归一化。在以前的版本中，此图层使用元素 - 明智的归一化。重现此行为，设置正常化Dimension.此图层的选项“元素”．

`sequenceInputlayer.`在规范化时忽略填充值

R2020A中的行为发生了变化

从R2020A开始，sequenceInputlayer.对象归一化时忽略输入数据中的填充值。这意味着正常化选项在sequenceInputlayer.例如，让训练对数据操作保持不变，'Zerocenter'归一化现在意味着培训结果不变于数据的平均值。

如果您在填充序列上训练，则在早期版本中计算出的归一化因子可能不同，并且可以产生不同的结果。

参考

[1] M. Kudo，J. Toyama和M. Shimbo。“使用过度区域的多维曲线分类。”模式识别字母．卷。20，第11-13页，第1103-1111页。

[２]UCI机器学习存储库：日语元音数据集．https://archive.ics.uci.edu/ml/datasets/japanese+vowels.

扩展能力

C / C ++代码生成
使用MATLAB®Coder™生成C和C ++代码。

对于向量序列输入，在代码生成期间必须是常数的特征数量。
代码生成不支持金宝app'正常化'使用函数句柄指定。

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

使用说明和限制：

生成CUDA.^®或使用GPU编码器™或C ++代码，必须先构建和培训深度神经网络。一旦网络训练和评估，您可以将代码生成器配置为生成代码并在使用NVIDIA的平台上部署卷积神经网络^®或手臂^®GPU处理器。有关更多信息，请参阅与GPU编码器深入学习（GPU编码器）．

对于此图层，您可以生成利用NVIDIA CUDA深神经网络库（CUDNN）或NVIDIA TENSORT™高性能推理库的代码。

CUDNN库支持向量和2-D图像序列金宝app。TensorR库仅支持载体输入序列。金宝app
对于向量序列输入，在代码生成期间必须是常数的特征数量。
对于图像序列输入，高度，宽度和通道数量在代码生成期间必须是常数。
代码生成不支持金宝app'正常化'使用函数句柄指定。

介绍了R2017b

sequenceInputlayer.

描述

创建

语法

描述

特性

图像输入

`输入`- - - - - -大小的输入
正整数|正整数向量

`正常化`- - - - - -数据归一化
`“没有”`（默认）|`'Zerocenter'`|`“zscore”`|`“rescale-symmetric”`|`'Rescale-Zero-One'`|函数处理

`正常化Dimension.`- - - - - -规范化维度
`“汽车”`（默认）|`'渠道'`|`“元素”`|`“所有”`

`意思`- - - - - -零中心和Z分数标准化的意思
`[]`（默认）|数字数组|数字标量

`standarddeviation.`- - - - - -标准偏差
`[]`（默认）|数字数组|数字标量

`闵`- - - - - -重新划分的最小值
`[]`（默认）|数字数组|数字标量

`最大限度`- - - - - -重新划分的最大值
`[]`（默认）|数字数组|数字标量

层

`名称`- - - - - -层的名字
`＇＇`（默认）|字符向量|字符串标量

`numinputs.`- - - - - -输入数量
0（默认）

`输入名称`- - - - - -输入名称
`{}`（默认）

`NumOutputs`- - - - - -输出数量
1（默认）

`输出名称`- - - - - -输出的名字
`{'出去'}`（默认）

例子

创建序列输入层

为图像序列创建序列输入层

序列分类训练网络

分类LSTM网络

回归LSTM网络

更深的LSTM网络

为视频分类创建网络

兼容性考虑因素

`sequenceInputlayer.`，默认情况下，使用通道方向的归一化进行零中心归一化

`sequenceInputlayer.`在规范化时忽略填充值

参考

扩展能力

C / C ++代码生成
使用MATLAB®Coder™生成C和C ++代码。

GPU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

sequenceInputlayer.

描述

创建

语法

描述

特性

图像输入

输入- - - - - -大小的输入正整数|正整数向量

正常化- - - - - -数据归一化“没有”（默认）|'Zerocenter'|“zscore”|“rescale-symmetric”|'Rescale-Zero-One'|函数处理

正常化Dimension.- - - - - -规范化维度“汽车”（默认）|'渠道'|“元素”|“所有”

意思- - - - - -零中心和Z分数标准化的意思[]（默认）|数字数组|数字标量

standarddeviation.- - - - - -标准偏差[]（默认）|数字数组|数字标量

闵- - - - - -重新划分的最小值[]（默认）|数字数组|数字标量

最大限度- - - - - -重新划分的最大值[]（默认）|数字数组|数字标量

层

名称- - - - - -层的名字＇＇（默认）|字符向量|字符串标量

numinputs.- - - - - -输入数量0（默认）

输入名称- - - - - -输入名称{}（默认）

NumOutputs- - - - - -输出数量1（默认）

输出名称- - - - - -输出的名字{'出去'}（默认）

例子

创建序列输入层

为图像序列创建序列输入层

序列分类训练网络

分类LSTM网络

回归LSTM网络

更深的LSTM网络

为视频分类创建网络

兼容性考虑因素

sequenceInputlayer.，默认情况下，使用通道方向的归一化进行零中心归一化

sequenceInputlayer.在规范化时忽略填充值

参考

扩展能力

C / C ++代码生成使用MATLAB®Coder™生成C和C ++代码。

GPU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

`输入`- - - - - -大小的输入
正整数|正整数向量

`正常化`- - - - - -数据归一化
`“没有”`（默认）|`'Zerocenter'`|`“zscore”`|`“rescale-symmetric”`|`'Rescale-Zero-One'`|函数处理

`正常化Dimension.`- - - - - -规范化维度
`“汽车”`（默认）|`'渠道'`|`“元素”`|`“所有”`

`意思`- - - - - -零中心和Z分数标准化的意思
`[]`（默认）|数字数组|数字标量

`standarddeviation.`- - - - - -标准偏差
`[]`（默认）|数字数组|数字标量

`闵`- - - - - -重新划分的最小值
`[]`（默认）|数字数组|数字标量

`最大限度`- - - - - -重新划分的最大值
`[]`（默认）|数字数组|数字标量

`名称`- - - - - -层的名字
`＇＇`（默认）|字符向量|字符串标量

`numinputs.`- - - - - -输入数量
0（默认）

`输入名称`- - - - - -输入名称
`{}`（默认）

`NumOutputs`- - - - - -输出数量
1（默认）

`输出名称`- - - - - -输出的名字
`{'出去'}`（默认）

`sequenceInputlayer.`，默认情况下，使用通道方向的归一化进行零中心归一化

`sequenceInputlayer.`在规范化时忽略填充值

C / C ++代码生成
使用MATLAB®Coder™生成C和C ++代码。

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