featureInputLayer
创建
属性
功能的输入
InputSize
- - - - - -数的功能
正整数
归一化
- - - - - -数据归一化
“没有”
(默认)|“zerocenter”
|“zscore”
|“rescale-symmetric”
|“rescale-zero-one”
|函数处理
数据规范化应用每次数据通过输入层向前传播,指定为以下之一:
提示
软件,默认情况下,自动计算出归一化统计时使用trainNetwork
函数。节省时间当训练,为归一化并设置指定所需的统计数据ResetInputNormalization
选项trainingOptions
来0
(假
)。
NormalizationDimension
- - - - - -规范化维度
“汽车”
(默认)|“通道”
|“所有”
规范化维度,指定为以下之一:
“汽车”
——如果训练选项假
和您指定任何标准化的统计数据(的意思是
,StandardDeviation
,最小值
,或马克斯
),然后正常的尺寸相匹配的数据。否则,重新计算统计训练时间和应用channel-wise正常化。“通道”
——Channel-wise正常化。“所有”
——所有值正常化使用标量数据。
的意思是
- - - - - -对中心零位和z分数意味着正常化
[]
(默认)|列向量|数字标量
对中心零位和z分数意味着正常化,指定为1×-numFeatures
向量的每个功能,数字标量或[]
。
如果你指定的意思是
属性,然后归一化
必须“zerocenter”
或“zscore”
。如果的意思是
是[]
,那么trainNetwork
函数计算的意思。培养一个dlnetwork
对象使用自定义训练循环或组装一个网络没有训练用的assembleNetwork
功能,您必须设置的意思是
属性数值标量或数字数组。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
StandardDeviation
- - - - - -对z分数归一化标准差
[]
(默认)|列向量|数字标量
为z分数归一化标准差,指定为1×-numFeatures
向量的每个功能,数字标量或[]
。
如果你指定StandardDeviation
属性,然后归一化
必须“zscore”
。如果StandardDeviation
是[]
,那么trainNetwork
函数计算标准偏差。培养一个dlnetwork
对象使用自定义训练循环或组装一个网络没有训练用的assembleNetwork
功能,您必须设置StandardDeviation
属性数值标量或数字数组。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
最小值
- - - - - -最小值为尺度改变
[]
(默认)|列向量|数字标量
最小值为尺度改变,指定为1×-numFeatures
向量的最小值特性,数值标量或[]
。
如果你指定最小值
属性,然后归一化
必须“rescale-symmetric”
或“rescale-zero-one”
。如果最小值
是[]
,那么trainNetwork
计算最小值函数。培养一个dlnetwork
对象使用自定义训练循环或组装一个网络没有训练用的assembleNetwork
功能,您必须设置最小值
属性数值标量或数字数组。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
马克斯
- - - - - -最高价值尺度改变
[]
(默认)|列向量|数字标量
最大值为重新调节,指定为1×-numFeatures
向量的极大值特性,数值标量或[]
。
如果你指定马克斯
属性,然后归一化
必须“rescale-symmetric”
或“rescale-zero-one”
。如果马克斯
是[]
,那么trainNetwork
函数计算出最大值。培养一个dlnetwork
对象使用自定义训练循环或组装一个网络没有训练用的assembleNetwork
功能,您必须设置马克斯
属性数值标量或数字数组。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
SplitComplexInputs
- - - - - -国旗来输入数据分割成真实的和虚构的组件
0
(假
)(默认)|1
(真正的
)
这个属性是只读的。
国旗将输入数据转换成实数和虚数组件指定为这些值之一:
0
(假
)——不分割输入数据。1
(真正的
)——数据分割成真实和虚构的组件。
当SplitComplexInputs
是1
层,然后输出通道作为输入数据的两倍。例如,如果输入数据是复杂值numChannels
渠道,那么层输出数据2 * numChannels
渠道,渠道1
通过numChannels
包含输入数据和真正的组件numChannels + 1
通过2 * numChannels
包含输入数据的虚构的成分。如果输入数据是真实的,那么通道numChannels + 1
通过2 * numChannels
都是零。
输入复数数据输入神经网络,SplitComplexInputs
必须选择输入层1
。
为一个例子,演示如何训练一个网络与复值数据,看看火车与复数的数据网络。
层
的名字
- - - - - -层的名字
”
(默认)|特征向量|字符串标量
图层名称,指定为一个特征向量或字符串标量。为层
数组输入,trainNetwork
,assembleNetwork
,layerGraph
,dlnetwork
函数自动分配名称层的名称”
。
数据类型:字符
|字符串
NumInputs
- - - - - -输入数量
0(默认)
这个属性是只读的。
输入层的数量。层没有输入。
数据类型:双
InputNames
- - - - - -输入名字
{}
(默认)
这个属性是只读的。
输入层的名称。层没有输入。
数据类型:细胞
NumOutputs
- - - - - -数量的输出
1
(默认)
这个属性是只读的。
输出层的数量。这一层只有一个输出。
数据类型:双
OutputNames
- - - - - -输出的名字
{“出”}
(默认)
这个属性是只读的。
输出层的名称。这一层只有一个输出。
数据类型:细胞
例子
创建特征输入层
创建一个功能的输入图层的名称“输入”
为观察21功能组成。
层= featureInputLayer(21日“名字”,“输入”)
层= FeatureInputLayer属性:名称:“输入”InputSize: 21 SplitComplexInputs: 0 Hyperparameters规范化:‘没有’NormalizationDimension:“汽车”
包括输入层的一个特征层
数组中。
numFeatures = 21;numClasses = 3;层= [featureInputLayer numFeatures,“名字”,“输入”)fullyConnectedLayer (numClasses“名字”,“俱乐部”)softmaxLayer (“名字”,“sm”)classificationLayer (“名字”,“分类”)]
层= 4 x1层阵列层:1“输入”功能输入21特性2“俱乐部”完全连接3完全连接第三层“sm”Softmax Softmax crossentropyex 4分类的分类输出
结合图像和特征输入层
训练一个网络包含一个图像输入层和功能层,你必须使用一个dlnetwork
对象在一个自定义训练循环。
定义输入图像的大小,每个观测的数量特征,类的数量、大小和数量的卷积的过滤层。
imageInputSize = [28 28 1];numFeatures = 1;numClasses = 10;filterSize = 5;numFilters = 16;
和两个输入层创建一个网络,你必须定义网络两部分,加入他们,例如,通过使用一个连接层。
定义网络的第一部分。定义图像分类层和包括一个平层和一层连接之前最后一个完全连接层。
层= [imageInputLayer imageInputSize,“归一化”,“没有”,“名字”,“图片”)convolution2dLayer (filterSize numFilters,“名字”,“conv”)reluLayer (“名字”,“relu”)fullyConnectedLayer (50,“名字”,“fc1”)flattenLayer (“名字”,“平”)concatenationLayer (1、2、“名字”,“concat”)fullyConnectedLayer (numClasses“名字”,“取得”)softmaxLayer (“名字”,“softmax”));
转换层一层图。
lgraph = layerGraph(层);
第二网络的一部分,添加一个特性输入层和连接到第二个输入的连接层。
featInput = featureInputLayer (numFeatures,“名字”,“特性”);lgraph = addLayers (lgraph featInput);lgraph = connectLayers (lgraph,“特性”,“concat / in2”);
可视化网络。
情节(lgraph)
创建一个dlnetwork
对象。
dlnet = dlnetwork (lgraph)
dlnet = dlnetwork属性:层:x1 nnet.cnn.layer.Layer[9]连接:[8 x2表]可学的:[6 x3表)状态:[0 x3表]InputNames:{“图像”“特性”}OutputNames: {“softmax”}初始化:1观点总结总结。
扩展功能
C / c++代码生成
生成C和c++代码使用MATLAB®编码器™。
代码生成不支持复杂的输入和不支持金宝app
“SplitComplexInputs”
选择。
GPU的代码生成
生成NVIDIA的CUDA®代码®GPU使用GPU编码器™。
生成CUDA®或c++代码通过使用GPU编码器™,你必须首先构建和训练神经网络。一旦网络训练和评估,您可以配置代码生成器来生成代码和部署使用NVIDIA的卷积神经网络平台上®或手臂®GPU处理器。有关更多信息,请参见深度学习GPU编码器(GPU编码器)。
代码生成不支持复杂的输入和不支持金宝app
“SplitComplexInputs”
选择。
版本历史
介绍了R2020b
MATLAB命令
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。金宝app
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。