创建模块化神经网络
许多神经网络用于图像处理应用程序架构,遵循模块化的模式。模式包含一个编码器模块downsamples upsamples数据的输入,后跟一个译码器。桥层可选连接编码器和译码器模块。使用的模块化模式是卷积神经网络(cnn),如U-Net、和生成对抗网络(GAN)发电机和鉴别器网络,如CycleGAN和PatchGAN。
创建编码器和译码器模块
创建编码器和译码器模块,您可以:
网络从pretrained网络创建一个编码器,SqueezeNet等使用
pretrainedEncoderNetwork
函数。函数李子pretrained网络,编码器包括将采样操作,您指定的数量。从构建块创建编码器和解码器模块层,遵循一个重复的模式。创建一个模块,定义一个函数,用于指定模式,然后将模块组装成一个模块使用
blockedNetwork
函数。
一个编码器模块由一个初始块层,将采样块,和残块。译码器模块由upsampling块和最后一个块,提供网络的输出。一般的表描述了模块层,包括编码器和译码器模块。
类型的块 | 描述 |
---|---|
最初的块 |
|
将采样块 |
|
剩余块 |
|
Upsampling块 |
|
最后一块 |
|
从编码器和解码器模块创建网络
编码器和解码器模块之后,您可以将模块形成一个CNN, GAN发电机,或甘鉴别器网络使用encoderDecoderNetwork
函数。您可以选择包括一座桥连接,跳过连接,或额外的层的网络。
您还可以创建甘受欢迎的发电机和鉴别器网络直接用在图像处理工具箱™函数可用。这些网络包括CycleGAN PatchGAN pix2pixHD,单位。有关更多信息,请参见开始与甘斯Image-to-Image翻译。
另请参阅
encoderDecoderNetwork
|blockedNetwork
|pretrainedEncoderNetwork
相关的话题
- 开始与甘斯Image-to-Image翻译
- 深度学习层的列表(深度学习工具箱)