transposedConv2dLayer

转置的二维卷积层

在页面上崩溃

语法

tillay = transposedconv2dlayer（过滤，numfilters）

层= transposedConv2dLayer (filterSize numFilters、名称、值)

描述

转置的2-D卷积层Upsamples特征图。

该层有时被称为“解卷积”或“Deconv”层。这层是卷积的转换，不执行折折;

层= transposedConv2dLayer (filterSize，numFilters）返回转置的2-D卷积层，并设置filterSize和numFilters特性。

例子

层= transposedConv2dLayer (filterSize，numFilters，名称,值）返回转置的2-D卷积层，并使用一个或多个名称值对参数指定其他选项。

例子

全部折叠

创建转置卷积层

打开直播脚本

创建一个转置卷积层，96个滤镜，每个滤镜的高度和宽度为11。在水平和垂直方向上使用4步。

tallay = transposedconv2dlayer（11,96，“步”4);

输入参数

全部折叠

`filterSize`- - - - - -过滤器的高度和宽度
两个正整数的向量

过滤器的高度和宽度，指定为两个正整数的向量[w h]，在哪里h是高度和w宽度。FilterSize定义神经元在输入中连接的本地区域的大小。

如果你设置了FilterSize使用输入参数，就可以指定FilterSize作为标量，对两个维度使用相同的值。

例子:5 [5]指定高度5和宽度5的过滤器。

`numFilters`- - - - - -数量的过滤器
正整数

筛选器的数量，指定为正整数。该数字对应于连接到输入中相同区域的层中的神经元数。该参数确定卷积层输出中的通道（特征映射）的数量。

例子:96.

名称-值参数

指定可选的逗号分隔的对名称,值参数。姓名参数名和价值是相应的价值。姓名必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:“裁剪”,1

转置卷积

全部折叠

`步行`- - - - - -Up-sampling因素
`1`（默认）|两个正整数的向量|正整数

输入的上采样系数，指定为:

两个正整数组成的向量[A B]，在哪里一个是垂直的步伐和b是水平步幅。
正整数对应于垂直和水平阶段。

例子:“步”,[2 1]

`裁剪`- - - - - -减少输出尺寸
`0`（默认）|`'相同的'`|非负整数|两个非负整数的向量

输出尺寸缩减，指定为下列之一:

'相同的'- 设置裁剪，使输出大小等于inputSize。*步，在哪里inputSize是图层输入的高度和宽度。如果你设置了“种植”选项'相同的'，则软件自动设定CroppingMode属性的层'相同的'．
如果可能的话，该软件会从顶部和底部，以及左边和右边进行等量的修剪。如果垂直的作物数量有一个奇数值，那么软件从底部额外修剪一行。如果水平的作物数量有一个奇数值，那么软件会从右边额外修剪一列。
正整数 - 从所有边缘裁剪指定数量的数据。
非负整数的向量[A B]——作物一个从顶部和底部和裁剪b从左到右。
矢量[t b l r]——作物t，b，l，r分别从输入的顶部、底部、左侧和右侧开始。

如果你设置了“种植”数字值的选项，然后软件会自动设置CroppingMode属性的层'手动的'．

例子:[1 2]

`NumChannels`- - - - - -每个滤波器的通道数
`“汽车”`（默认）|正整数

每个滤波器的通道数，指定为“NumChannels”,“汽车”或者一个正整数。

这个参数必须等于这个卷积层的输入信道数。例如，如果输入是彩色图像，那么输入的通道数必须为3。如果当前层之前卷积层的滤波器数量是16，那么该层的通道数量必须是16。

参数和初始化

全部折叠

`WeightsInitializer`- - - - - -函数初始化权重
`“glorot”`（默认）|`“他”`|`'窄正常'`|`“零”`|`“的”`|函数处理

函数初始化权值，指定为以下其中之一:

“glorot”-使用gloria初始化器初始化权重［1］(也称为Xavier初始化器)。格洛特初始化器从均值和方差均为零的均匀分布中独立抽样2 / (numIn + numOut)，在哪里numIn = filterSize (1) * filterSize (2) * NumChannels，numOut = filterSize (1) * filterSize (2) * numFilters，和NumChannels是输入通道的数量。
“他”-使用He初始化器初始化权值［2］．他初始化来自正常分布的样本，零均值和方差2 / numIn，在哪里numIn = filterSize (1) * filterSize (2) * NumChannels和NumChannels是输入通道的数量。
'窄正常'-从均值为零、标准差为0.01的正态分布中独立抽样来初始化权重。
“零”—初始化权值为0。
“的”—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重量= func(深圳)，在哪里SZ.是重量的大小。例如，请参见指定自定义重量初始化功能．

该层仅初始化权重权重属性是空的。

数据类型：字符|细绳|function_handle

`偏见的偏大机`- - - - - -初始化偏差的功能
`“零”`（默认）|`'窄正常'`|`“的”`|函数处理

函数初始化偏差，指定为以下任意一个:

“零”- 用零初始化偏差。
“的”- 初始化与偏置的偏置。
'窄正常'-从均值为零、标准差为0.01的正态分布中独立抽样来初始化偏差。
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bias = func（sz），在哪里SZ.是偏见的大小。

该层仅在偏见属性是空的。

数据类型：字符|细绳|function_handle

`权重`- - - - - -层重量
`［］`（默认）|数字数组

卷积层的层权重指定为数字数组。

层权重是可学习的参数。您可以直接指定权重的初始值权重属性的层。当你训练一个网络，如果权重那个层的财产是非空的trainNetwork用来权重属性作为初始值。如果权重属性为空trainNetwork使用指定的初始化程序WeightsInitializer属性的层。

在培训时,权重是A.过滤（1）——- - - - - -过滤（2）——- - - - - -numFilters——- - - - - -NumChannels数组中。

数据类型：单身的|双倍的

`偏见`- - - - - -层的偏见
`［］`（默认）|数字数组

卷积层的层偏置，指定为数字阵列。

层偏差是可学习的参数。当你训练一个网络，如果偏见是不是空的，然后trainNetwork用来偏见属性作为初始值。如果偏见是空的,然后trainNetwork使用指定的初始化程序偏见的偏大机．

在培训时,偏见是一个1-by-1 -numFilters数组中。

数据类型：单身的|双倍的

学习率和正规化

全部折叠

`举重性活动器`- - - - - -权重的学习率因子
`1`（默认）|负的标量

学习权重的速率因子，指定为非负标量。

该软件通过全局学习率乘以此因素来确定该层中权重的学习率。例如，如果举重性活动器是2，则该层权重的学习率为当前全局学习率的两倍。该软件根据您指定的设置来确定全局学习率培训选项函数。

数据类型：单身的|双倍的|INT8.|int16|int32|INT64.|uint8.|uint16|UINT32.|UINT64

`BiasLearnRateFactor`- - - - - -偏差的学习率因子
`1`（默认）|负的标量

偏差的学习率因子，指定为非负标量。

该软件通过全局学习率乘以此因素来确定该层中偏差的学习率。例如，如果BiasLearnRateFactor是2，则该层偏差的学习率是当前全局学习率的两倍。该软件根据您指定的设置来确定全局学习率培训选项函数。

数据类型：单身的|双倍的|INT8.|int16|int32|INT64.|uint8.|uint16|UINT32.|UINT64

`WeightL2Factor`- - - - - -l₂重量的正则化因子
1（默认）|负的标量

l₂权值的正则化因子，指定为非负标量。

软件将此因素乘以全局l₂正则化因子的确定l₂正则化这一层的权重。例如，如果WeightL2Factor是2，那么l₂此图层中重量的正则化是全局的两倍l₂正则化因素。您可以指定全局l₂正则化因子使用培训选项函数。

数据类型：单身的|双倍的|INT8.|int16|int32|INT64.|uint8.|uint16|UINT32.|UINT64

`BiasL2Factor`- - - - - -l₂偏差的正则化因子
`0`（默认）|负的标量

l₂偏差的正则化因子，指定为非负标量。

软件将此因素乘以全局l₂正则化因子的确定l₂正则化这一层的偏差。例如，如果BiasL2Factor是2，那么l₂这一层偏见的正规化程度是全球的两倍l₂正则化因素。您可以指定全局l₂正则化因子使用培训选项函数。

数据类型：单身的|双倍的|INT8.|int16|int32|INT64.|uint8.|uint16|UINT32.|UINT64

层

全部折叠

`姓名`- - - - - -层的名字
`＇'`（默认）|字符向量|字符串标量

层名，指定为字符向量或字符串标量。为层阵列输入，trainNetwork，assembleNetwork，分层图，和dlnetwork.函数自动为层分配名称姓名设置为＇'．

数据类型：字符|细绳

输出参数

全部折叠

`层`- 转置的2-D卷积层
`TranspodingConvolution2dlayer.`对象

转置的二维卷积层，返回为TranspodingConvolution2dlayer.目的。

兼容性考虑因素

展开全部

默认权重初始化是gloria

行为在R2019a中改变

从R2019a开始，软件默认使用gloria初始化器初始化该层的层权值。这种行为有助于稳定训练，通常减少深度网络的训练时间。

在以前的版本中，软件默认从均值为零、方差为0.01的正态分布中抽样，初始化层权重。要重现这种行为，请设置'掌控itializer'选项的层'窄正常'．

参考文献

[1]格洛洛，泽维尔，还有约书亚·本吉奥。理解训练深度前馈神经网络的困难在第十三国际人工智能与统计会议的诉讼程序, 249 - 356。撒丁岛，意大利:AISTATS, 2010。

何开明，张翔宇，任少青，孙健深入研究整流器:在图像网分类上超越人类水平的表现。在2015 IEEE计算机视觉国际会议论文集, 1026 - 1034。计算机视觉，2015。

扩展能力

C / C ++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用说明和限制：

代码生成不支持输入的不对称裁剪。金宝app例如，指定一个向量[t b l r]为“种植”不支持裁剪裁剪顶部，底部，左侧和右侧的输入。金宝app

GPU代码生成
使用GPU编码器™生成NVIDIA®GPU的CUDA®代码。

另请参阅

averagePooling2dLayer|maxpooling2dlayer.|TranspodingConvolution2dlayer.|softmaxlayer.

主题

介绍了R2017b

transposedConv2dLayer

语法

描述