初始化
描述
提示
大多数dlnetwork默认对象初始化。你只需要手动初始化dlnetwork如果它是未初始化的。你可以检查网络是否使用初始化初始化财产的dlnetwork对象。
netUpdated=初始化(净)净根据输入的大小定义为网络的输入层。任何可学的或状态参数已经包含值保持不变。
网络设置,可学的空值和状态参数未初始化。你必须初始化未初始化dlnetwork您可以使用它之前。默认情况下,dlnetwork对象是由初始参数和不需要初始化。
netUpdated=初始化(净,X1,…, Xn)净基于网络的例子输入或网络数据布局对象X1,…, Xn。网络的输入时使用这个语法没有连接到输入层。
例子
初始化dlnetwork含有输入层
定义一个简单的图像分类网络层数组。
层= [imageInputLayer([28 28 1],正常化=“没有”20)convolution2dLayer (5) batchNormalizationLayer reluLayer fullyConnectedLayer (10) softmaxLayer];
转换层图dlnetwork对象。创建一个未初始化的dlnetwork对象通过设置初始化选项假。
网= dlnetwork(层,初始化= false);
查看网络的可学的参数。因为网络是没有初始化的值是空的。
net.Learnables
ans =6×3表层参数值___________ _____ _______“conv”“权重”{0 x0双}“conv”“偏见”{0 x0双}“batchnorm”“抵消”{0 x0双}“batchnorm”“规模”{0 x0双}“俱乐部”“权重”{0 x0双}“俱乐部”“偏见”{0 x0双}
初始化网络的可学的参数使用初始化函数。
网=初始化(净);
查看网络的可学的参数。因为现在网络初始化,值非空的大小推断使用输入层的大小。
net.Learnables
ans =6×3表层参数值___________ _____ ___________________“conv”“权重”{5 x5x1x20 dlarray}“conv”“偏见”{1 x1x20 dlarray}“batchnorm”“抵消”{1 x1x20 dlarray}“batchnorm”“规模”{1 x1x20 dlarray}“俱乐部”“权重”{10 x11520 dlarray}“俱乐部”“偏见”{10 x1 dlarray}
初始化dlnetwork不包含输入层
定义一个多输入图像分类网络。
numFilters = 24;layersBranch1 = [convolution2dLayer (3、6 * numFilters,填充=“相同”步= 2)groupNormalizationLayer (“所有渠道”)reluLayer convolution2dLayer (3 numFilters填充=“相同”)groupNormalizationLayer (“channel-wise”)additionLayer (Name =“添加”)reluLayer fullyConnectedLayer (10) softmaxLayer];layersBranch2 = = [convolution2dLayer (1 numFilters名称“conv_branch”)groupNormalizationLayer (“所有渠道”、名称=“groupnorm_branch”));lgraph = layerGraph (layersBranch1);lgraph = addLayers (lgraph layersBranch2);lgraph = connectLayers (lgraph,“groupnorm_branch”,“添加/ in2”);
可视化层图在一个阴谋。
图绘制(lgraph)
转换层图dlnetwork对象。创建一个未初始化的dlnetwork对象通过设置初始化选项假。
网= dlnetwork (lgraph,初始化= false);
查看网络的可学的参数。因为网络是没有初始化的值是空的。
net.Learnables
ans =14×3表层参数值_____________ _____ _______“conv_1”“权重”{0 x0双}“conv_1”“偏见”{0 x0双}“groupnorm_1”“抵消”{0 x0双}“groupnorm_1”“规模”{0 x0双}“conv_2”“权重”{0 x0双}“conv_2”“偏见”{0 x0双}“groupnorm_2”“抵消”{0 x0双}“groupnorm_2”“规模”{0 x0双}“俱乐部”“权重”{0 x0双}“俱乐部”“偏见”{0 x0双}“conv_branch”“权重”{0 x0双}“conv_branch”“偏见”{0 x0双}“groupnorm_branch”“抵消”{0 x0双}“groupnorm_branch”“规模”{0 x0双}
查看网络输入的名字。
net.InputNames
ans =1 x2单元格{' conv_1} {' conv_branch '}
创建随机dlarray对象代表输入到网络。使用一个例子输入的大小64 -,- 64 3的主要分支渠道网络。使用一个输入的大小64 -通过与18 - 64频道第二分支。
inputSize = (64 64 3);inputSizeBranch = [32 32 18];X1 = dlarray(兰德(inputSize),“SSCB”);X2 = dlarray(兰德(inputSizeBranch),“SSCB”);
初始化网络的可学的参数使用初始化功能和指定输入示例。指定与订单对应的输入InputNames网络的属性。
网=初始化(净(X1, X2);
查看网络的可学的参数。因为现在网络初始化,的值非空的大小推断使用输入数据的大小。
net.Learnables
ans =14×3表层参数值_____________ _____ _____________________“conv_1”“权重”{3 x3x3x144 dlarray}“conv_1”“偏见”{1 x1x144 dlarray}“groupnorm_1”“抵消”{1 x1x144 dlarray}“groupnorm_1”“规模”{1 x1x144 dlarray}“conv_2”“权重”{3 x3x144x24 dlarray}“conv_2”“偏见”{1 x1x24 dlarray}“groupnorm_2”“抵消”{1 x1x24 dlarray}“groupnorm_2”“规模”{1 x1x24 dlarray}“俱乐部”“权重”{1 x1x18x24 dlarray}“俱乐部”“偏见”{1 x1x24 dlarray}“conv_branch”“权重”{1 x1x24 dlarray}“conv_branch”“偏见”{1 x1x24 dlarray}“groupnorm_branch”“抵消”{10 x24576 dlarray}“groupnorm_branch”“规模”{10 x1 dlarray}
初始化网络使用网络数据布局对象
创建一个未初始化的dlnetwork对象有两个无关的输入。
层= [convolution2dLayer (Name = 5, 16日“conv”)batchNormalizationLayer reluLayer fullyConnectedLayer (50) flattenLayer concatenationLayer(1、2名=“猫”)fullyConnectedLayer (10) softmaxLayer];网= dlnetwork(层,初始化= false);
查看网络的输入名称。
net.InputNames
ans =1×2细胞{' conv}{'猫/ in2 '}
创建网络数据布局对象代表输入数据的输入。对于第一个输入,指定一批28-by-28灰度图像。对于第二个输入指定一批单通道特性数据。
layout1 = networkDataLayout([28 28 1南),“SSCB”);layout2 = networkDataLayout([1南),“CB”);
初始化网络使用网络数据布局对象。
网=初始化(净、layout1 layout2)
网= dlnetwork属性:层:[8×1 nnet.cnn.layer.Layer]连接:[7×2表]可学的:[8×3表]状态:[2×3表]InputNames: {“conv”的猫/ in2} OutputNames: {“softmax”}初始化:1观点总结总结。
输入参数
输出参数
版本历史
介绍了R2021a
