深度学习层的列表
这个页面提供了一个列表的深度学习MATLAB的层®。
学习如何创建网络层的不同的任务,看下面的例子。
| 任务 | 了解更多 |
|---|---|
| 创造深度学习网络图像分类或回归。 | |
| 创建序列和时间序列数据的深度学习网络。 | |
| 为音频数据创建深入学习网络。 | 语音命令识别使用深度学习 |
| 为文本数据创建深入学习网络。 |
深度学习层
使用下面的函数来创建不同的层类型。另外,使用深层网络设计师应用交互式地创建网络。
学习如何定义自己的自定义层,明白了定义定制的深度学习层。
输入层
| 层 | 描述 |
|---|---|
| 图像输入层输入二维图像网络和应用数据规范化。 | |
| 三维图像输入层输入3 d图像或卷到网络和应用数据规范化。 | |
| 一个序列输入序列数据网络输入层。 | |
| 功能层的输入特性数据输入网络和应用数据规范化。使用这一层当你有一个数据集的数字标量代表特性(数据没有空间和时间维度)。 | |
|
一个ROI输入层输入图像快速R-CNN对象检测网络。 |
卷积和完全连接层
| 层 | 描述 |
|---|---|
| 一个二维卷积层滑动卷积过滤器适用于输入。 | |
| 三维卷积层滑动立方卷积过滤器适用于三维输入。 | |
| 一层二维分组卷积分离输入通道进入组织和应用滑动卷积过滤器。使用分组卷积层channel-wise分离(也称为深度方面可分)卷积。 | |
| 一层转置二维卷积upsamples特征图。 | |
| 一层转置三维卷积upsamples三维特征图。 | |
| 一个完全连接层增加输入权重矩阵,然后添加一个偏差向量。 |
序列层
| 层 | 描述 |
|---|---|
| 一个序列输入序列数据网络输入层。 | |
| LSTM层长期学习时间步骤时间序列和序列数据之间的依赖关系。 | |
| 双向LSTM (BiLSTM)层学习双向长期时间步长之间的依赖关系的时间序列或序列数据。这些依赖项可以是有用的,当你想要完成网络学习时间序列在每个时间步。 | |
| 格勒乌层学习时间步骤时间序列和序列数据之间的依赖关系。 | |
| 一个序列折叠层转换一批一批图像的图像序列。使用一个折叠层按时执行卷积操作步骤序列独立的图像序列。 | |
| 一个序列展开层恢复后的输入数据序列的序列结构折叠。 | |
| 平层坍塌的输入通道的空间维度的维度。 | |
|
一个字嵌入层地图单词索引向量。 |
激活层
| 层 | 描述 |
|---|---|
| ReLU层进行阈值操作每个元素的输入,任何小于零的值被设置为零。 | |
| 漏水的ReLU层执行一个阈值操作,任何输入值小于零乘以一个固定的标量。 | |
| 剪ReLU层执行一个阈值操作,任何输入值小于零设置为零,高于任何值剪裁天花板将剪切天花板。 | |
| ELU活化层执行身份操作正输入和一个指数非线性负输入。 | |
| 双曲正切(双曲正切)激活层应用上的双曲正切函数层输入。 | |
|
PReLU层执行一个阈值操作,为每个通道,任何输入值小于零乘以一个标量学习训练时间。 |
正常化,辍学,种植层
| 层 | 描述 |
|---|---|
| 一批标准化层规范化mini-batch每个输入通道。加快培训卷积神经网络,减少网络初始化敏感的缺点,使用批卷积层之间的归一化层和非线性,如ReLU层。 | |
| 一组标准化层输入数据的渠道分为组织和规范在每组激活。加快培训卷积神经网络,减少网络初始化敏感的缺点,使用组卷积层之间的归一化层和非线性,如ReLU层。可以执行实例正常化和规范化通过设置适当数量的层组。 | |
| channel-wise当地响应(交叉流道)归一化层进行channel-wise正常化。 | |
| 辍学层随机集输入元素与给定的概率为零。 | |
| 二维作物层二维裁剪适用于输入。 | |
| 一层3 - d作物作物3 d体积大小的输入特性图。 | |
|
一层二维调整尺寸的二维输入比例因子或到指定的高度和宽度。 |
|
三维调整层尺寸三维输入比例因子或到指定的高度,宽度和深度。 |
池和Unpooling层
| 层 | 描述 |
|---|---|
| 平均池层执行采样下来除以输入矩形池区域和计算每个区域的平均值。 | |
| 三维平均池层执行采样下来除以三维输入立方池区域,计算每个区域的平均值。 | |
| 全球平均池层执行采样下来通过计算平均高度和宽度尺寸的输入。 | |
| 三维全球平均池层执行计算的平均采样下来的高度,宽度,深度和维度的输入。 | |
| 马克斯池层执行采样下来除以输入矩形池区域,并计算每个区域的最大。 | |
| 3 d max池层执行采样下来除以三维输入立方形的池区域,并计算每个区域的最大。 | |
| 全球最大池层执行采样下来通过计算的最大高度和宽度尺寸的输入。 | |
| 全球3 d max池层执行计算的最大采样下来的高度、宽度、深度和维度的输入。 | |
| 马克斯unpooling层unpools马克斯池的输出层。 |
结合层
| 层 | 描述 |
|---|---|
| 除了一层来自多个神经网络的输入层element-wise补充道。 | |
| 一个乘法层繁殖element-wise来自多个神经网络的输入层。 | |
| 深度连接层需要输入,有相同的高度和宽度和连接他们的第三个维度(通道尺寸)。 | |
| 连接层需要的输入并将它们连接指定的尺寸。输入必须有相同的大小在所有维度除了连接尺寸。 | |
|
加权加法层尺度和来自多个神经网络的输入层element-wise补充道。 |
对象检测层
| 层 | 描述 |
|---|---|
|
一个ROI输入层输入图像快速R-CNN对象检测网络。 |
|
ROI马克斯池层输出固定大小为每个矩形特征图谱ROI内输入特征映射。使用这一层创建一个快速或更快R-CNN对象检测网络。 |
|
一个ROI层对齐输出固定大小的特征图中的每个矩形ROI地图输入功能。使用这一层创建一个Mask-RCNN网络。 |
|
锚箱层商店锚箱用于目标检测的特征映射网络。 |
|
地区建议层输出边界框周围潜在的对象在一个图像的一部分地区建议网络(RPN) R-CNN更快。 |
|
SSD合并图层合并的输出特性为后续的回归和分类地图损失计算。 |
|
空间深度层排列的空间块的输入深度维度。使用这一层,当你需要结合不同大小的特征图谱不丢弃任何特性数据。 |
|
地区建议网络(RPN) softmax层softmax激活函数适用于输入。使用这一层创建一个更快R-CNN对象检测网络。 |
|
一层焦损失预测对象类使用焦损失。 |
|
地区建议网络(RPN)分类层分类的图像区域对象或背景通过使用一个交叉熵损失函数。使用这一层创建一个更快R-CNN对象检测网络。 |
|
一盒回归层改进边界框的位置通过使用一个光滑的L1损失函数。使用这一层创建一个快速或更快R-CNN对象检测网络。 |
生成对抗的网络层
| 层 | 描述 |
|---|---|
|
一个项目和重塑层将作为输入1-by-1-by -numLatentInputs指定的数组,并将它们转换成图像的大小。使用项目和重塑层重塑噪音甘斯的输入。 |
|
一个嵌入和重塑层作为输入数字指标分类元素并将它们转换成指定的图像的大小。使用嵌入和重塑层分类数据输入条件甘斯。 |
输出层
| 层 | 描述 |
|---|---|
| softmax层softmax函数适用于输入。 | |
| 乙状结肠层乙状结肠函数适用于输入,输出是有界区间(0,1)。 | |
| 一个分类层计算交叉熵损失与互斥类多分类问题。 | |
| 一层回归计算half-mean-squared-error损失回归问题。 | |
|
一个像素分类层提供了一个为每个图像像素或体素分类标签。 |
|
骰子像素分类层提供了一个分类标签为每个图像像素或体素使用广义骰子的损失。 |
|
一层焦损失预测对象类使用焦损失。 |
|
地区建议网络(RPN) softmax层softmax激活函数适用于输入。使用这一层创建一个更快R-CNN对象检测网络。 |
|
地区建议网络(RPN)分类层分类的图像区域对象或背景通过使用一个交叉熵损失函数。使用这一层创建一个更快R-CNN对象检测网络。 |
|
一盒回归层改进边界框的位置通过使用一个光滑的L1损失函数。使用这一层创建一个快速或更快R-CNN对象检测网络。 |
|
加权分类层计算加权交叉熵损失分类问题。 |
|
特沃斯基像素分类层提供了一个分类标签为每个图像像素或体素使用特沃斯基的损失。 |
|
分类SSE层计算误差平方和损失分类问题。 |
|
回归梅层计算平均绝对误差损失回归问题。 |
另请参阅
深层网络设计师|trainingOptions|trainNetwork
