深度学习自定义层
为深度学习定义自定义层
您可以为您的问题定义自己的自定义深度学习层。您可以使用自定义输出层指定自定义损失函数，并定义带有或不带有可学习参数的自定义层。定义自定义层后，可以检查该层是否有效，GPU是否兼容，并输出正确定义的梯度。
功能
主题
自定义图层概述
- 定义自定义深度学习层
了解如何定义自定义深度学习层。 - 定义自定义深度学习中间层
学习如何定义自定义深度学习中间层。 - 定义自定义深度学习输出层
了解如何定义自定义深度学习输出层。
自定义中间层
- 定义具有可学习参数的自定义深度学习层
这个例子展示了如何定义PReLU层，并在卷积神经网络中使用它。 - 定义具有多个输入的自定义深度学习层
这个例子展示了如何定义一个自定义加权加法层，并在卷积神经网络中使用它。 - 定义带有格式化输入的自定义深度学习层
这个例子展示了如何使用格式化定义一个自定义层dlarray输入。 - 定义自定义循环深度学习层
这个例子展示了如何定义窥视孔LSTM层，并在神经网络中使用它。 - 指定自定义层反向函数
这个例子展示了如何定义一个PReLU层和指定一个自定义向后函数。 - 自定义层函数加速
通过缓存和重用跟踪来加速自定义层的前进和预测函数。 - 定义用于代码生成的自定义深度学习层
这个例子展示了如何定义一个支持代码生成的PReLU层。金宝app - 从预训练的Keras层组装网络
这个示例展示了如何从预训练的Keras网络导入层，用自定义层替换不支持的层，并将这些层组装成一个网络，以便进行预测。金宝app - 将不支持的Keras金宝app层替换为功能层
这个示例展示了如何从预训练的Keras网络导入层，用功能层替换不支持的层，并将这些层组装成一个网络，以便进行预测。金宝app
自定义输出层
- 定义自定义分类输出层
这个例子展示了如何定义具有平方和误差损失(SSE)的自定义分类输出层，并在卷积神经网络中使用它。 - 定义自定义回归输出层
这个例子展示了如何定义具有平均绝对误差(MAE)损失的自定义回归输出层，并在卷积神经网络中使用它。 - 指定自定义输出层反向损失函数
此示例演示如何定义具有平方和误差损失(SSE)的自定义分类输出层，并指定自定义向后损失函数。
网络组合和嵌套层
- 深度学习网络组成
定义包含层图的自定义层。 - 定义嵌套深度学习层
这个例子展示了如何定义一个嵌套的深度学习层。 - 用嵌套层训练深度学习网络
这个例子展示了如何用嵌套层训练网络。
检查层有效性
- 检查自定义层有效性
学习如何检查自定义深度学习层的有效性。
您也可以从以下列表中选择一个网站: