主要内容
sequenceUnfoldingLayer
序列展开层
描述
一个序列展开层恢复后的输入数据序列的序列结构折叠。
使用序列展开层,你必须连接miniBatchSize相应的输出序列的折叠层miniBatchSize输入序列的展开层。例如,看到的创建网络视频分类。
创建
属性
例子
创建序列展开层
创建一个序列展开层的名字“unfold1”。
层= sequenceUnfoldingLayer (“名字”,“unfold1”)
层= SequenceUnfoldingLayer属性:名称:“unfold1”NumInputs: 2 InputNames:{“在”“miniBatchSize”}
创建网络视频分类
创建一个深入学习网络包含的图像序列数据,如视频和医学图像数据。
输入序列的图像到一个网络,使用序列输入层。
卷积操作独立应用于每个时间步,首先将图像序列转换为一个数组的图像使用序列折叠层。
恢复执行这些操作后的序列结构,这一系列图像转换为图像序列使用序列展开层。
将图像转化为特征向量,使用平层。
你可以输入向量序列LSTM和BiLSTM层。
定义网络体系结构
创建一个分类LSTM网络将28-by-28灰度图像序列分为10类。
定义以下网络体系结构:
一个序列输入层和一个输入的大小
[28 28 1]。一批卷积,规范化,ReLU层块20 5-by-5过滤器。
LSTM层有200个隐藏单元输出最后一次步。
完全连接一层10码(类的数量),后跟一个softmax层和一个分类层。
独立执行卷积操作在每个时间步,包括序列卷积前层折叠层。LSTM层期望向量序列的输入。恢复序列结构和重塑卷积层的输出序列的特征向量,插入序列卷积之间展开层和一层平层和LSTM层。
inputSize = [28 28 1];filterSize = 5;numFilters = 20;numHiddenUnits = 200;numClasses = 10;层= […sequenceInputLayer (inputSize“名字”,“输入”)sequenceFoldingLayer (“名字”,“折”)convolution2dLayer (filterSize numFilters,“名字”,“conv”)batchNormalizationLayer (“名字”,bn的)reluLayer (“名字”,“relu”)sequenceUnfoldingLayer (“名字”,“展开”)flattenLayer (“名字”,“平”)lstmLayer (numHiddenUnits“OutputMode”,“最后一次”,“名字”,“lstm”)fullyConnectedLayer (numClasses“名字”,“俱乐部”)softmaxLayer (“名字”,“softmax”)classificationLayer (“名字”,“分类”));
转换层一层图和连接miniBatchSize的输出序列折叠层的相应输入序列展开层。
lgraph = layerGraph(层);lgraph = connectLayers (lgraph,“折/ miniBatchSize”,“展开/ miniBatchSize”);
查看最后的网络体系结构使用情节函数。
图绘制(lgraph)
扩展功能
另请参阅
lstmLayer|bilstmLayer|gruLayer|classifyAndUpdateState|predictAndUpdateState|resetState|sequenceFoldingLayer|flattenLayer|sequenceInputLayer
介绍了R2019a
