TransposedConv2dlayer.

转置的二维卷积层

页面上倒塌

语法

tillay = transposedconv2dlayer（过滤，numfilters）

tillay = transposedconv2dlayer（过滤，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，不执行折垃圾。

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）返回转换的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。

tillay = 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

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

如果你设置了过滤使用输入参数，就可以指定过滤作为标量，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`- - - - - -过滤器数量
正整数

筛选器数量，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。此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-值对的观点

指定可选的逗号分隔的对名称,值论点。名称参数名和价值是相应的价值。名称必须出现在引号内。可以以任意顺序指定多个名称和值对参数name1，value1，...，namen，valuen．

例子：“裁剪”,1

转置卷积

全部折叠

`“步”`- - - - - -上抽样因子
`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:

两个正整数的矢量[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步幅。

例子：'走吧'，[2 1]

`'裁剪'`- - - - - -输出尺寸减少
`0`（默认）|`'相同的'`|非负整数|两个非负整数矢量

输出大小减少，指定为以下之一：

'相同的'- 设置裁剪，使输出大小等于inputSize。*步，在哪里输入是层输入的高度和宽度。如果你设置了'裁剪'选择'相同的'，则软件自动设定裁剪模式属性的层'相同的'．
如果可能的话，软件从顶部和底部和左右修剪相同的量。如果垂直裁剪量有奇数值，则软件从底部修剪额外的行。如果水平裁剪量具有奇数值，则软件将从右侧修剪额外的列。
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作物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'裁剪'数字值的选项，然后软件会自动设置裁剪模式属性的层'手动的'．

例子：[1 2]

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

每个过滤器的通道数，指定为“NumChannels”,“汽车”或正整数。

该参数必须等于输入该卷积层的输入的通道数。例如，如果输入是彩色图像，则输入的通道数必须为3.如果在电流层之前的卷积层的滤波器的数量为16，则该图层的通道数必须是16。

参数和初始化

全部折叠

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

初始化权重的功能，指定为以下内容之一：

“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'- 通过独立从正常分布采样，零平均值和标准偏差0.01来初始化权重。
“零”—初始化权值为0。
'那些'—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，看到指定自定义权重初始化功能．

该图层仅初始化权重权重属性是空的。

数据类型：char|细绳|function_handle

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

初始化偏差的函数，指定为以下之一：

“零”- 用零初始化偏差。
'那些'- 初始化偏差。
'窄正常'- 通过从正常分布的自主分布采样，零平均值和标准偏差0.01，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：char|细绳|function_handle

`“重量”`- - - - - -层重量
`[]`（默认）|数字数组

卷积层的层权重指定为数字数组。

层权重是可学习参数。您可以直接指定权重的初始值权重层的财产。培训网络时，如果权重那个层的财产是非空的，然后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层的财产。

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

数据类型：单身的|双倍的

`'偏见'`- - - - - -层偏差
`[]`（默认）|数字数组

卷积层的层偏置，指定为数字数组。

层偏差是可学习的参数。当训练一个网络时，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初始化器．

在培训时,偏见是一个1-by-by-numFilters数组中。

数据类型：单身的|双倍的

学习速率和正规化

全部折叠

`'wexerlearnratefactor'`- - - - - -重量学习率因子
1（默认）|负的标量

学习权重的因素，指定为非负标量。

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

例子：2

`'biaslearnratefactor'`- - - - - -偏差学习率因素
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为2，则该层偏差的学习率是当前全局学习率的两倍。该软件根据指定的设置来确定全局学习率培训选项函数。

例子：2

`'weightl2factor'`- - - - - -L2正则化因子的权重
1（默认）|负的标量

L2权重的正则化因子，指定为非负标量。

该软件将这个因子乘以全局L2正则化因子，以确定该层权重的L2正则化。例如,如果掌权2factor.是2，那么该层中重量的L2正则化是全局L2正则化因子的两倍。的方法可以指定全局L2正则化因子培训选项函数。

例子：2

`'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。

该软件将该因子乘以L2的全局正则化因子，以确定该层偏差的L2正则化。例如,如果BiasL2Factor为2，则该层偏差的L2正则化是全局L2正则化因子的两倍。的方法可以指定全局L2正则化因子培训选项函数。

例子：2

层

全部折叠

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

图层名称，指定为字符向量或字符串标量。要在图层图中包含一个图层，必须指定非空，唯一的图层名称。如果您使用该图层培训系列网络名称被设置为＇＇，然后软件在训练时自动为该层分配一个名称。

数据类型：char|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2-D卷积层，作为一个返回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，默认情况下，该软件通过从正常分布采样，零平均值和方差0.01，通过采样来初始化层权重。重现此行为，设置'掌控itializer'层选择'窄正常'．

参考

[1] Glorot，Xavier和Yoshua Bengio。“了解训练深馈神经网络的难度。”在第十三国际人工智能和统计国际会议的诉讼程序, 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。华盛顿特区：IEEE计算机视觉协会，2015年。

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非对称裁剪。金宝app例如，指定矢量[t b l r]为了'裁剪'不支持裁剪参数，底部，左侧，左侧和右侧。金宝app

GPU代码生成
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。

另请参阅

普通Pooling2dlayer.|maxpooling2dlayer.|softmaxlayer.|TranspodingConvolution2dlayer.

主题

介绍了R2017b

TransposedConv2dlayer.

语法

描述