创建二维残留网络
创建一个二维残差网络,其图像输入尺寸为lgraph
= ResetLayers(inputSize
那numClasses
的)inputSize
指定的类的数量numClasses
.残余网络由堆栈组成。每个块包含深度学习层。网络包括图像分类层,适用于预测输入图像的分类标签。
要创建一个三维残留网络,请使用resnet3dLayers
.
当处理小图像时,设置InitialPoolingLayer
选项“没有任何”
删除初始池层并减少下采样量。
残留网络通常称为ResNet-X,在那里X是深度网络。网络的深度被定义为从输入层到输出层的路径上的最大数量的顺序卷积或完全连接的层。您可以使用以下公式来计算网络的深度:
在哪里S.一世是堆栈的景深一世.
相同深度的网络可能具有不同的网络结构。例如,你可以创建一个有或没有瓶颈的ResNet-14架构:
resnet14瓶颈= resnetLayers([224 224 3],10,...stackdepth = [2 2],...numfilters = [64 128]);Reset14NobottLeneck = ResetLayers([224 224 3],10,...BottleneckType =“没有任何”那...StackDepth = (2 2 2),...numfilters = [64 128 256]);
Resnet50bottleneck = ResetLayers([224 224 3],10);Resnet34NobottLeneck = ResetLayers([224 224 3],10,...BottleneckType =“没有任何”);
[1]他,Kaiming,湘雅张,少清任,剑孙。“图像识别的深度剩余学习。”预印刷,2015年12月10日提交。https://arxiv.org/abs/1512.03385。
何开明,张翔宇,任少青,孙健深层残留网络中的身份映射预印本,2016年7月25日提交。https://arxiv.org/abs/1603.05027。
[3]他,Kaiming,湘雅张,少清任,剑孙。“深入研究整流器:超越了在想象中分类上的人力水平表现。”在2015年IEEE计算机愿景会议的诉讼程序, 1026 - 1034。计算机视觉,2015。