convolution1dLayer

一维卷积层

全部展开页面

描述

一维卷积层将滑动卷积滤波器应用于一维输入。该层通过沿输入移动滤波器并计算权重和输入的点积，然后添加偏置项来卷积输入。

图层卷积的尺寸取决于图层输入：

对于时间序列和矢量序列输入(与通道、观测值和时间步骤对应的三维数据)，该层在时间维度上进行卷积。
对于一维图像输入（具有与空间像素、通道和观测值相对应的三维数据），层在空间维度上卷积。
对于一维图像序列输入（具有与空间像素、通道、观测值和时间步长相对应的四个维度的数据），层在空间维度上卷积。

创造

语法

层=卷积1dLayer（filterSize，numFilters）

层=卷积1dLayer（filterSize，numFilters，Name=Value）

描述

实例

层=卷积层(过滤,微粒过滤器)创建一维卷积层并设置FilterSize和NumFilters属性。

层=卷积层(过滤,微粒过滤器,名称=值)还设置可选的大步走,DilationFactor,数字通道,参数和初始化,学习率与正则化,名称使用一个或多个名称值参数的属性。要指定输入填充，请使用衬料名称值参数。例如卷积1层（11,96，填充=1）创建具有96个大小为11的过滤器的一维卷积层，并在输入层的左侧和右侧指定大小为1的填充。

输入参数

全部展开

名称-值对参数

指定可选参数对为名称1=Value1，…，名称n=ValueN哪里名称是参数名和价值是对应的值。名称值参数必须出现在其他参数之后，但对的顺序无关紧要。

例子：卷积1层（11,96，填充=1）创建具有96个大小为11的过滤器的一维卷积层，并在输入层的左侧和右侧指定大小为1的填充。

`衬料`—要应用于输入的填充
`[0 0]`（默认）|`“相同”`|`“因果关系”`|非负整数|非负整数的向量

要应用于输入的填充，指定为以下内容之一：

“相同”-应用填充，使输出大小为ceil（输入大小/步幅）哪里输入大小是输入的长度。什么时候大步走是1.，输出与输入大小相同。
“因果关系”-对输入应用左填充，等于(FilterSize - 1) .*膨胀因子. 什么时候大步走是1.，输出与输入大小相同。
非负整数深圳-添加大小的填充深圳到输入的两端。
矢量[左/右]非负整数的填充-添加大小的填充L向左和向右R在输入的右侧。

例子：填充=[2 1]在输入的左边添加大小为2的填充，在右边添加大小为1的填充。

数据类型：单|双重的|int8|int16|int32|int64|uint8|uint16|uint32|uint64|烧焦|一串

性质

全部展开

卷积

`FilterSize`—滤光片宽度
正整数

此属性是只读的。

筛选器的宽度，指定为正整数。

数据类型：单|双重的|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`NumFilters`—过滤器数量
正整数

此属性是只读的。

筛选器数，指定为正整数。这个数字对应于卷积层中连接到输入中相同区域的神经元数量。此参数确定卷积层输出中的通道数（特征贴图）。

数据类型：单|双重的|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`大步走`—遍历输入的步长
`1.`（默认）|正整数

遍历输入的步长，指定为正整数。

数据类型：单|双重的|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`DilationFactor`—扩张卷积的因子
`1.`（默认）|正整数

扩张卷积（也称为萎缩卷积）的因子，指定为正整数。

使用扩大的卷积增加该层的感受野（该层可以看到的输入区域），而不增加参数或计算的数量。

该层通过在每个过滤器元素之间插入零来扩展过滤器。膨胀因子决定了采样输入的步长，或者等效地，滤波器的上采样因子。它对应的有效过滤器尺寸为*膨胀因子+ 1. 例如，膨胀因子为的1×3滤波器2.等效于元素之间带零的1×5滤波器。

数据类型：单|双重的|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`PaddingSize`—大小的填充
`[0 0]`（默认）|两个非负整数的向量

应用于输入每一侧的填充大小，指定为向量[左/右]两个非负整数，其中L填充是否应用于左侧和R是否将填充应用于右侧。

创建图层时，请使用衬料name-value参数指定填充大小。

数据类型：双重的

`填充模式`—确定填充大小的方法
`“手动”`（默认）|`“相同”`|`“因果关系”`

此属性是只读的。

方法来确定填充大小，指定为以下内容之一：

“手动”–使用指定的整数或向量填充衬料.
“相同”-应用填充，使输出大小为装天花板(inputSize /步)哪里输入大小是输入的长度。什么时候大步走是1.，输出与输入相同。
“因果关系”–使用临时填充物。用padding size填充输入的左侧(FilterSize - 1) .*膨胀因子.

要指定图层填充，请使用衬料名称值参数。

数据类型：烧焦

`填充值`—填充数据的值
`0`（默认）|标量|`“对称包含边”`|`“symmetric-exclude-edge”`|`“复制”`

此属性是只读的。

填充数据的值，指定为以下值之一：

`填充值`	描述	实例
标量	用指定的标量值填充。	$[\begin{matrix} 3. & 1. & 4. \end{matrix}] \to [\begin{matrix} 0 & 0 & 3. & 1. & 4. & 0 & 0 \end{matrix}]$
`“对称包含边”`	使用输入的镜像值（包括边值）填充。	$[\begin{matrix} 3. & 1. & 3. \end{matrix}] \to [\begin{matrix} 1. & 3. & 3. & 1. & 4. & 4. & 1. \end{matrix}]$
`“symmetric-exclude-edge”`	使用镜像输入值(不包括边值)的Pad。	$[\begin{matrix} 3. & 1. & 4. \end{matrix}] \to [\begin{matrix} 4. & 1. & 3. & 1. & 4. & 1. & 3. \end{matrix}]$
`“复制”`	使用输入的重复边界元素填充。	$[\begin{matrix} 3. & 1. & 3. \end{matrix}] \to [\begin{matrix} 3. & 3. & 3. & 1. & 4. & 4. & 4. \end{matrix}]$

数据类型：单|双重的|int8|int16|int32|int64|uint8|uint16|uint32|uint64|烧焦|一串

`数字通道`—每个过滤器的通道数
`“自动”`（默认）|正整数

此属性是只读的。

每个滤波器的通道数，指定为“自动”或正整数。

如果数字通道是“自动”，则软件会自动确定训练时的通道数。

数据类型：单|双重的|int8|int16|int32|int64|uint8|uint16|uint32|uint64|烧焦|一串

参数和初始化

`增重剂`—函数初始化权重
`“格洛特”`（默认）|`“他”`|`“narrow-normal”`|`“零”`|`“一个人”`|函数句柄

函数初始化权重，指定为以下值之一：

“格洛特”–使用Glorot初始值设定项初始化权重[1]（也称为Xavier初始值设定项）。Glorot初始值设定项从均匀分布中独立采样，平均值为零，方差为2/（单位：分钟+单位：分钟）哪里numIn = FilterSize * NumChannels和numOut=FilterSize*NumFilters.
“他”–使用He初始值设定项初始化权重[2]. He初始值设定项从均值和方差为零的正态分布采样2/努明哪里numIn = FilterSize * NumChannels.
“narrow-normal”-通过从均值为0、标准差为0.01的正态分布独立抽样来初始化权重。
“零”—初始化权值为0。
“一个人”–使用1初始化权重。
函数句柄——用自定义函数初始化权重。如果指定函数句柄，则该函数必须是这种形式的权重=func（sz）哪里深圳是权重的大小。有关示例，请参见指定自定义权重初始化函数.

属性时，层才初始化权重砝码属性为空。

数据类型：烧焦|一串|功能手柄

`BiasInitializer`—函数初始化偏差
`“零”`（默认）|`“narrow-normal”`|`“一个人”`|函数句柄

函数初始化偏差，指定为以下选项之一：

“零”–用零初始化偏差。
“一个人”-用1初始化偏差。
“narrow-normal”–通过从平均值为零、标准偏差为0.01的正态分布中独立取样来初始化偏差。
函数句柄——用自定义函数初始化偏差。如果指定函数句柄，则该函数必须是这种形式的偏见= func(深圳)哪里深圳是偏差的大小。

该层仅在以下情况下初始化偏移：偏见属性为空。

数据类型：烧焦|一串|功能手柄

`砝码`—层重
`[]`（默认）|数字数组

卷积层的层权重，指定为数字数组。

层权值是可学习的参数。属性可以直接指定权重的初始值砝码层的属性。培训网络时，如果砝码属性为非空，则列车网络使用砝码属性作为初始值。如果砝码属性为空，则列车网络属性指定的初始化式增重剂属性的层。

训练时,，砝码是一个FilterSize-借-数字通道-借-NumFilters大堆

数据类型：单|双重的

`偏见`—层偏差
`[]`（默认）|数字数组

卷积层的层偏差，指定为数字数组。

层偏差是可学习的参数。当您培训网络时，如果偏见那么，它是非空的列车网络使用偏见属性作为初始值。如果偏见是空的,然后列车网络使用指定的初始化式BiasInitializer.

训练时,，偏见这是一张一乘的票-NumFilters大堆

数据类型：单|双重的

学习率与正则化

`加权比率因子`—权重学习率因子
`1.`（默认）|负的标量

权值的学习率因子，指定为非负标量。

软件将该系数乘以全局学习率，以确定该层中权重的学习率。例如，如果加权比率因子是2.，则该层中权重的学习速率是当前全局学习速率的两倍。软件根据使用指定的设置确定全局学习速率trainingOptions作用

数据类型：单|双重的|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`双线性学习因子`—偏差的学习率系数
`1.`（默认）|负的标量

偏差的学习率因子，指定为非负标量。

软件将这个因子乘以全局学习率，以确定这一层偏差的学习率。例如,如果双线性学习因子是2.，则层中偏差的学习速率是当前全局学习速率的两倍。软件根据使用指定的设置确定全局学习速率trainingOptions作用

数据类型：单|双重的|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`WeightL2Factor`—L_2.权重的正则化因子
1.（默认）|负的标量

L_2.权值的正则化因子，指定为非负标量。

软件将这个因素乘以全球L_2.正则化因子，用于确定L_2.此层中权重的正则化。例如，如果WeightL2Factor是2.,那么L_2.该层中权重的正则化是全局权重的两倍L_2.正则化因子。您可以指定全局变量L_2.正则化因子trainingOptions作用

数据类型：单|双重的|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`双SL2因子`—L_2.偏差的正则化因子
`0`（默认）|负的标量

L_2.偏差的正则化因子，指定为非负标量。

软件将这个因素乘以全球L_2.正则化因子，用于确定L_2.此层中偏差的正则化。例如，如果双SL2因子是2.,那么L_2.该层中偏差的正则化是全局的两倍L_2.正则化因子。您可以指定全局变量L_2.正则化因子trainingOptions作用

数据类型：单|双重的|int8|int16|int32|int64|uint8|uint16|uint32|uint64

层

`名称`—图层名称
`''`（默认）|特征向量|字符串标量

图层名称，指定为字符向量或字符串标量。对于层数组输入列车网络,装配网络,layerGraph,数据链路网络函数会自动将名称指定给具有名称着手''.

数据类型：烧焦|一串

`努明普茨`—输入数量
`1.`（默认）

此属性是只读的。

层的输入数。该层仅接受单个输入。

数据类型：双重的

`输入名称`—输入名称
`{'在'}`（默认）

此属性是只读的。

输入层名。这一层只接受单个输入。

数据类型：细胞

`NumOutputs`—数量的输出
`1.`（默认）

此属性是只读的。

层的输出数。该层只有一个输出。

数据类型：双重的

`输出名称`—输出名称
`{“出”}`（默认）

此属性是只读的。

输出层的名称。这一层只有一个输出。

数据类型：细胞

例子

全部崩溃

创建一维卷积层

打开生活的脚本

创建一个1-D卷积层，96个宽度为11的滤镜。

层=卷积1dLayer（11,96）

layer = Convolution1DLayer with properties: Name: " Hyperparameters FilterSize: 11 NumChannels: 'auto' NumFilters: 96 Stride: 1 DilationFactor: 1 PaddingMode: 'manual' PaddingSize: [0 0] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

包含一个一维卷积层层大堆

layers=[sequenceInputLayer（12）卷积1Layer（11,96）reluLayer GlobalExpooling1Layer fullyConnectedLayer（10）softmaxLayer classificationLayer]

层x1 = 7层阵列层:1“12维度2序列输入序列输入”卷积96 11旋转步1和填充[0 0]3”ReLU ReLU 4”一维全球最大池一维全球最大池5“完全连接10完全连接层6”Softmax Softmax crossentropyex 7”分类输出

算法

全部展开

一维卷积层

一维卷积层将滑动卷积滤波器应用于一维输入。该层通过沿输入移动滤波器并计算权重和输入的点积，然后添加偏置项来卷积输入。

图层卷积的尺寸取决于图层输入：

对于时间序列和矢量序列输入(与通道、观测值和时间步骤对应的三维数据)，该层在时间维度上进行卷积。
对于一维图像输入（具有与空间像素、通道和观测值相对应的三维数据），层在空间维度上卷积。
对于一维图像序列输入（具有与空间像素、通道、观测值和时间步长相对应的四个维度的数据），层在空间维度上卷积。

图层输入和输出格式

图层数组或图层图中的图层传递指定为格式化的数据dlarray物体。

你可以和它们互动dlarray自动差异化工作流中的对象，例如使用功能层对象，或使用向前和预测功能与数据链路网络物体。

此表显示了支持的输入格式金宝app卷积层对象和相应的输出格式。如果将图层的输出传递给不是从中继承的自定义图层nnet.layer.Formattable类，或功能层反对Formattable选项设置为错误的，则层接收未格式化的dlarray对象，其尺寸顺序与此表中列出的格式相对应。

输入格式	输出格式
`“SCB”`（空间、通道、批次）	`“SCB”`（空间、通道、批次）
`“CBT”`（通道、批次、时间）	`“CBT”`（通道、批次、时间）
`“SCBT”`（空间、通道、批次、时间）	`“SCBT”`（空间、通道、批次、时间）

工具书类

[1] 格洛特、泽维尔和约书亚·本吉奥，《理解训练深度前馈神经网络的困难》，年第十三届国际人工智能和统计会议论文集, 249–356. 意大利撒丁岛：AISTATS，2010年。

[2] 何开明、张向宇、任少清、孙健。“深入研究整流器：在ImageNet分类方面超越人类水平的性能”，年2015年IEEE计算机视觉国际会议记录，1026–1034。华盛顿特区：IEEE计算机视觉学会，2015年。

另见

话题

在R2021b中引入

convolution1dLayer

描述

创造

语法

描述

输入参数

衬料—要应用于输入的填充[0 0]（默认）|“相同”|“因果关系”|非负整数|非负整数的向量

性质

卷积

FilterSize—滤光片宽度正整数

NumFilters—过滤器数量正整数

大步走—遍历输入的步长1.（默认）|正整数

DilationFactor—扩张卷积的因子1.（默认）|正整数

PaddingSize—大小的填充[0 0]（默认）|两个非负整数的向量

填充模式—确定填充大小的方法“手动”（默认）|“相同”|“因果关系”

填充值—填充数据的值0（默认）|标量|“对称包含边”|“symmetric-exclude-edge”|“复制”

数字通道—每个过滤器的通道数“自动”（默认）|正整数

参数和初始化

增重剂—函数初始化权重“格洛特”（默认）|“他”|“narrow-normal”|“零”|“一个人”|函数句柄

BiasInitializer—函数初始化偏差“零”（默认）|“narrow-normal”|“一个人”|函数句柄

砝码—层重[]（默认）|数字数组

偏见—层偏差[]（默认）|数字数组

学习率与正则化

加权比率因子—权重学习率因子1.（默认）|负的标量

双线性学习因子—偏差的学习率系数1.（默认）|负的标量

WeightL2Factor—L2.权重的正则化因子1.（默认）|负的标量

双SL2因子—L2.偏差的正则化因子0（默认）|负的标量

层

名称—图层名称''（默认）|特征向量|字符串标量

努明普茨—输入数量1.（默认）

输入名称—输入名称{'在'}（默认）

NumOutputs—数量的输出1.（默认）

输出名称—输出名称{“出”}（默认）

例子

创建一维卷积层

算法

一维卷积层

图层输入和输出格式

工具书类

另见

话题

深度学习工具箱文档

金宝app

用MATLAB引入深度学习

`衬料`—要应用于输入的填充
`[0 0]`（默认）|`“相同”`|`“因果关系”`|非负整数|非负整数的向量

`FilterSize`—滤光片宽度
正整数

`NumFilters`—过滤器数量
正整数

`大步走`—遍历输入的步长
`1.`（默认）|正整数

`DilationFactor`—扩张卷积的因子
`1.`（默认）|正整数

`PaddingSize`—大小的填充
`[0 0]`（默认）|两个非负整数的向量

`填充模式`—确定填充大小的方法
`“手动”`（默认）|`“相同”`|`“因果关系”`

`填充值`—填充数据的值
`0`（默认）|标量|`“对称包含边”`|`“symmetric-exclude-edge”`|`“复制”`

`数字通道`—每个过滤器的通道数
`“自动”`（默认）|正整数

`增重剂`—函数初始化权重
`“格洛特”`（默认）|`“他”`|`“narrow-normal”`|`“零”`|`“一个人”`|函数句柄

`BiasInitializer`—函数初始化偏差
`“零”`（默认）|`“narrow-normal”`|`“一个人”`|函数句柄

`砝码`—层重
`[]`（默认）|数字数组

`偏见`—层偏差
`[]`（默认）|数字数组

`加权比率因子`—权重学习率因子
`1.`（默认）|负的标量

`双线性学习因子`—偏差的学习率系数
`1.`（默认）|负的标量

`WeightL2Factor`—L_2.权重的正则化因子
1.（默认）|负的标量

`双SL2因子`—L_2.偏差的正则化因子
`0`（默认）|负的标量

`名称`—图层名称
`''`（默认）|特征向量|字符串标量

`努明普茨`—输入数量
`1.`（默认）

`输入名称`—输入名称
`{'在'}`（默认）

`NumOutputs`—数量的输出
`1.`（默认）

`输出名称`—输出名称
`{“出”}`（默认）