imageInputLayer

图像输入层

全部展开页面

描述

图像输入层将二维图像输入网络并应用数据归一化。

对于3d图像输入，使用image3dInputLayer。

创建

语法

layer = imageInputLayer(inputSize)

layer = imageInputLayer(inputSize,Name,Value)

描述

层= imageInputLayer (inputSize）返回一个图像输入层并指定InputSize财产。

例子

层= imageInputLayer (inputSize，名称,值）设置可选的属性使用名称-值对。可以指定多个名称-值对。将每个属性名称用单引号括起来。

属性

全部展开

图像输入

`InputSize`- - - - - -输入的大小
整数的行向量

输入数据的大小，指定为整数的行向量[qh],在那里h，w,c分别对应通道的高度、宽度和数量。

对于灰度图像，指定带有的矢量c等于1。
对于RGB图像，用c等于3.。
对于多光谱或高光谱图像，指定带有的矢量c等于通道数。

对于3d图像或体积输入，使用image3dInputLayer。

例子:[224 224 3]

`归一化`- - - - - -数据归一化
`“zerocenter”`(默认)|`“zscore”`|`“rescale-symmetric”`|`“rescale-zero-one”`|`“没有”`|函数处理

每次数据通过输入层前向传播时应用数据规范化，指定为以下之一:

“zerocenter”-减去指定的平均值的意思是。
“zscore”-减去指定的平均值的意思是然后除以StandardDeviation。
“rescale-symmetric”—使用最小值和最大值重新调整输入，使其在[- 1,1]范围内最小值和马克斯,分别。
“rescale-zero-one”—使用最小值和最大值重新调整输入，使其在[0,1]范围内最小值和马克斯,分别。
“没有”—输入数据不进行规范化处理。
function handle -使用指定的函数对数据进行规范化。函数必须是这样的形式Y = func(X),在那里X是输入数据和输出Y是规范化的数据。

提示

该软件，默认情况下，自动计算规范化统计在训练时间。为节省训练时的时间，请指定规范化所需的统计数据，并设置“ResetInputNormalization”选项trainingOptions来假。

`NormalizationDimension`- - - - - -规范化维度
`“汽车”`(默认)|`“通道”`|`“元素”`|`“所有”`

归一化维度，指定为下列之一:

“汽车”—如果培训选项为假你指定任何一个标准化统计(的意思是，StandardDeviation，最小值,或马克斯)，然后对与统计数据匹配的维度进行规范化。否则，在训练时重新计算统计数据并应用信道标准化。
“通道”-信道标准化。
“元素”-元素标准化。
“所有”—使用标量统计将所有值归一化。

数据类型:字符|字符串

`的意思是`- - - - - -零中心和z分数归一化的平均值
`[]`(默认)|三维数组|数字标量

零中心和z-score归一化的平均值，指定为ah——- - - - - -w——- - - - - -c数组，一个1 × 1 ×c每个通道的平均数数组，一个数字标量，或[],在那里h，w,c分别对应于均值的高度、宽度和通道数。

如果您指定的意思是属性,然后归一化必须“zerocenter”或“zscore”。如果的意思是是[]，然后软件计算训练时的平均值。

您可以在创建不需要训练的网络时设置此属性(例如，在使用assembleNetwork)。

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

`StandardDeviation`- - - - - -z-score归一化的标准差
`[]`(默认)|三维数组|数字标量

z-score归一化的标准差，用a表示h——- - - - - -w——- - - - - -c数组，一个1 × 1 ×c每个通道的平均数数组，一个数字标量，或[],在那里h，w,c分别对应标准偏差的高度、宽度和通道数。

如果您指定StandardDeviation属性,然后归一化必须“zscore”。如果StandardDeviation是[]，然后软件计算训练时的标准差。

您可以在创建不需要训练的网络时设置此属性(例如，在使用assembleNetwork)。

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

`最小值`- - - - - -重新缩放的最小值
`[]`(默认)|三维数组|数字标量

重新缩放的最小值，指定为h——- - - - - -w——- - - - - -c数组，一个1 × 1 ×c每通道最小值的数组、数字标量或[],在那里h，w,c分别对应于最小值的高度、宽度和通道数。

如果您指定最小值属性,然后归一化必须“rescale-symmetric”或“rescale-zero-one”。如果最小值是[]，然后软件计算训练时的最小值。

您可以在创建不需要训练的网络时设置此属性(例如，在使用assembleNetwork)。

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

`马克斯`- - - - - -重新缩放的最大值
`[]`(默认)|三维数组|数字标量

重新缩放的最大值，指定为h——- - - - - -w——- - - - - -c数组，一个1 × 1 ×c每个通道最大值的数组、数字标量或[],在那里h，w,c分别对应于最大值的高度、宽度和通道数量。

如果您指定马克斯属性,然后归一化必须“rescale-symmetric”或“rescale-zero-one”。如果马克斯是[]，然后软件计算训练时的最大值。

您可以在创建不需要训练的网络时设置此属性(例如，在使用assembleNetwork)。

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

`DataAugmentation`- - - - - -数据增强变换
`“没有”`(默认)|`“randcrop”`|`“randfliplr”`|单元阵列`“randcrop”`和`“randfliplr”`

请注意

的DataAugmentation属性不推荐使用。要使用裁剪、反射和其他几何变换预处理图像，请使用augmentedImageDatastore代替。

数据增强转换为在训练期间使用，指定为以下之一。

“没有”—不扩充数据
“randcrop”-从训练图像中随机裁剪。随机裁剪的大小与输入大小相同。
“randfliplr”-随机翻转输入图像水平与50%的机会。
单元阵列“randcrop”和“randfliplr”。该软件按照在单元阵列中指定的顺序应用增强。

图像数据的增强是另一种减少过拟合的方法[１]，［2］。

数据类型:字符串|字符|细胞

层

`名字`- - - - - -层的名字
`”`(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。为层数组输入trainNetwork，assembleNetwork，layerGraph,dlnetwork函数自动为层分配名称名字设置为”。

数据类型:字符|字符串

`NumInputs`- - - - - -输入数
0(默认)

层的输入数。层没有输入。

数据类型:双

`InputNames`- - - - - -输入名字
`｛｝`(默认)

输入图层的名称。层没有输入。

数据类型:细胞

`NumOutputs`- - - - - -输出数量
`1`(默认)

该属性是只读的。

层的输出数。这个图层只有一个输出。

数据类型:双

`OutputNames`- - - - - -输出的名字
`{“出”}`(默认)

该属性是只读的。

输出图层的名称。这个图层只有一个输出。

数据类型:细胞

例子

全部折叠

创建图像输入图层

打开实时脚本

创建一个图像输入层为28 × 28彩色图像与名称“输入”。默认情况下，该层通过从每个输入图像中减去训练集的平均图像来执行数据归一化。

inputlayer = imageInputLayer([28 28 3]，“名字”，“输入”）

inputlayer = ImageInputLayer with properties: Name: 'input' InputSize: [28 28 3] Hyperparameters: DataAugmentation: 'none' Normalization: 'zerocenter' NormalizationDimension: 'auto' Mean: []

包含一个图像输入层层数组中。

图层= […imageInputLayer([28 28 1]) convolution2dLayer(5,20) reluLayer maxPooling2dLayer(2，“步”，2) fulllyconnectedlayer (10) softmaxLayer classificationLayer]

layers = 7x1 Layer array with layers: 1 " Image Input 28x28x1图像，'zerocenter'归一化2 " Convolution 20个5x5个卷积，stride[1 1]和padding [0 0 0 0] 3 " ReLU ReLU 4 " Max Pooling 2x2 Max Pooling, stride[2 2]和padding [0 0 0 0] 5 " Fully Connected 10 " Softmax Softmax 7 " Classification Output crossentropyex

兼容性的考虑

全部展开

`AverageImage`财产将被移除

不建议从R2019b开始

AverageImage将被移除。使用的意思是代替。的所有实例来更新代码AverageImage与的意思是。需要对代码进行额外更新的属性之间没有区别。