convolution3dLayer

3-D卷积层

全部展开页面

描述

三维卷积层将滑动立方卷积滤波器应用于三维输入。该层通过沿输入垂直、水平和深度移动滤波器，计算权重和输入的点积，然后添加偏差项，对输入进行卷积。

创建

语法

tillay =卷积3dlayer（过滤，numfilters）

层= convolution3dLayer (filterSize numFilters、名称、值)

描述

层= convolution3dLayer (filterSize，numFilters）创建一个三维卷积层，并设置FilterSize和NumFilters属性。

例子

层= convolution3dLayer (filterSize，numFilters，名称,值）设置可选步行，DilationFactor，NumChannels，参数和初始化，学习率和正规化,的名字使用名称-值对的属性。要指定输入填充，使用'填充'名称-值对的论点。例如,convolution3dLayer(11, 96,“大步”4“填充”,1)创建一个带有96个滤镜大小的3d卷积层(11 11 11)一大步[4 4 4]，以及沿图层输入的所有边缘大小为1的填充。可以指定多个名称-值对。将每个属性名用单引号括起来。

输入参数

展开全部

名称-值对的观点

使用逗号分隔的name-value对参数指定填充的大小，以沿着图层的边缘添加或设置步行，DilationFactor，NumChannels，参数和初始化，学习率和正规化,的名字属性。用单引号附上名称。

例子：convolution3dLayer(16日“填充”,“相同”)创建一个带有16个滤镜的3d卷积层(3 3 3)和“相同”填充。在训练时，软件计算并设置填充的大小，使层输出的大小与输入的大小相同。

`填充`- - - - - -输入边缘填充
`0`（默认）|非负整数数组|`“相同”`

输入边填充，指定为逗号分隔对，由'填充'其中一个价值观是:

“相同”-增加软件在训练或预测时计算的大小填充，使步幅等于1时输出的大小与输入的大小相同。如果步幅大于1，则输出大小为装天花板(inputSize /步)，在哪里输入输入和的高度、宽度或深度是多少步为相应维度的步幅。如果可能的话，软件会在顶部和底部、左边和右边、前面和后面添加相同数量的填充。如果给定维度中的填充具有奇数值，则软件将额外的填充添加到输入中作为延迟添加。换句话说，该软件在底部增加了额外的垂直填充，在右侧增加了额外的水平填充，在输入的背面增加了额外的深度填充。
非负整数p-添加大小填充p到输入的所有边。
三元素向量(a b c)非负整数-添加大小填充一个到顶部和底部，填充大小b左右，大小的填充c到输入的前后。
2×3矩阵[t l f; b r k]非负整数-添加大小填充t前,b至底部，l到左边,r向右，f到前面去，然后k到输入的后面。换句话说，第一行指定了预添加，第二行定义了三个维度中的延迟添加。

例子：'填充'，1将一排填充到顶部和底部，一列填充到左右，并向输入的前后填充平面。

例子：“填充”,“相同”添加填充，使得输出具有与输入相同的大小（如果步幅等于1）。

特性

展开全部

卷积

`FilterSize`- - - - - -滤镜的高度、宽度和深度
三个正整数的向量

过滤器的高度、宽度和深度，指定为矢量[w h d]三个正整数，其中h的高度,w是宽度，和d是深度。FilterSize定义输入中神经元连接到的局部区域的大小。

在创建图层时，可以指定FilterSize作为标量，对高度、宽度和深度使用相同的值。

例子：(5 5 5)指定高度、宽度和深度为5的过滤器。

`NumFilters`- - - - - -数量的过滤器
正整数

此属性是只读的。

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

数据类型：单|双倍的|int8|int16|INT32.|INT64.|uint8.|uint16|UINT32.|uint64

`步行`- - - - - -遍历输入的步长
`(1 1 1)`（默认）|三个正整数的向量

遍历三维输入的步长，指定为向量(a b c)三个正整数，其中一个为垂直步长，b是水平步长，和c沿着深度的阶梯大小。在创建图层时，可以指定步行作为标量，在所有三个方向上使用相同的步长值。

例子：(1 2 3)指定垂直台尺寸为2，水平台尺寸为3，沿深度为1的步长。

`DilationFactor`- - - - - -扩张卷积的因子
`(1 1 1)`（默认）|三个正整数的向量

扩展卷积的因子(也称为无卷积)，指定为矢量[w h d]三个正整数，其中h为垂直膨胀，w是水平扩张，和d是沿深度的膨胀。在创建图层时，可以指定DilationFactor作为标量，在所有三个方向上使用相同的膨胀值。

使用扩展卷积来增加层的接受域(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。膨胀因子决定了对输入采样的步长或等效滤波器的上采样因子。它对应的有效过滤器尺寸为(过滤器的大小- 1) *膨胀系数+ 1。例如，一个带有膨胀系数的3 × 3 × 3滤波器(2 2 2)相当于一个元素之间为零的5 × 5 × 5滤波器。

例子：(1 2 3)将滤镜垂直放大2倍，水平放大3倍，沿深度放大1倍。

`PaddingSize`- - - - - -大小的填充
`[0 0 0;0 0 0]`（默认）|非负整数的2-by-3矩阵

应用于输入边框的填充大小，指定为2 × 3矩阵[t l f; b r k]对于非负整数，其中t和b是否在垂直方向上应用于顶部和底部的填充，l和r在水平方向上，填充是否应用于左边和右边f和k是否沿深度将填充物应用到前面和后面。换句话说，第一行指定了预添加，第二行定义了三个维度中的延迟添加。

当你创建一个图层时，使用'填充'名称值对参数指定填充大小。

例子：[1 2 4;1 2 4]在输入的顶部和底部添加一行填充，在左边和右边添加两列填充，在输入的前面和后面添加四个填充平面。

`PaddingMode`- - - - - -确定填充大小的方法
`“手动”`（默认）|`“相同”`

确定填充大小的方法，指定为“手动”或“相同”．

软件会自动设置值PaddingMode基于你在创建图层时指定的“填充”值。

如果你设置'填充'选项为标量或非负整数向量，则软件自动设置PaddingMode来“手动”．
如果你设置'填充'选项“相同”，则软件自动设定PaddingMode来“相同”并计算训练时填充的大小，使stride等于1时输出的大小与输入的大小相同。如果步幅大于1，则输出大小为装天花板(inputSize /步)，在哪里输入输入和的高度、宽度或深度是多少步为相应维度的步幅。如果可能的话，软件会在顶部和底部、左边和右边、前面和后面添加相同数量的填充。如果给定维度中的填充具有奇数值，则软件将额外的填充添加到输入中作为延迟添加。换句话说，该软件在底部增加了额外的垂直填充，在右侧增加了额外的水平填充，在输入的背面增加了额外的深度填充。

`PaddingValue`- - - - - -值到填充数据
0（默认）|标量|`“symmetric-include-edge”`|`“symmetric-exclude-edge”`|`“复制”`

值来填充数据，指定为以下其中之一:

`PaddingValue`	描述	例子
标量	用指定的标量值填充。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 3. & 1 & 4 & 0 & 0 \\ 0 & 0 & 1 & 5 & 9 & 0 & 0 \\ 0 & 0 & 2 & 6 & 5 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \end{matrix} ］$
`“symmetric-include-edge”`	焊盘使用输入的镜像值，包括边缘值。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \end{matrix} ］$
`“symmetric-exclude-edge”`	使用镜像输入值(不包括边值)的Pad。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \end{matrix} ］$
`“复制”`	使用输入的重复边框元素填充	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 1 & 1 & 1 & 5 & 9 & 9 & 9 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \end{matrix} ］$

数据类型：单|双倍的|int8|int16|INT32.|INT64.|uint8.|uint16|UINT32.|uint64|char|细绳

`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“汽车”或正整数。

这个参数总是等于卷积层的输入信道数。例如，如果输入是彩色图像，则输入的通道数为3。如果当前层之前卷积层的滤波器数为16，则当前层的通道数为16。

如果NumChannels是“汽车”，然后软件在培训时确定通道的数量。

例子：256

参数和初始化

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

初始化权重的功能，指定为以下之一：

“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) * FilterSize (3) * NumChannels和numOut = FilterSize (1) * FilterSize (2) * FilterSize (3) * NumFilters．
“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) * FilterSize (3) * NumChannels．
“narrow-normal”- 通过独立从正常分布采样，零平均值和标准偏差0.01，通过自主分布初始化权重。
“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)，在哪里深圳是重量的大小。例如，看到指定自定义权重初始化函数．

属性时，层才初始化权重权重属性是空的。

数据类型：char|细绳|function_handle

`BiasInitializer`- - - - - -函数初始化偏差
`“零”`（默认）|`“narrow-normal”`|`“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”-用1初始化偏差。
“narrow-normal”- 通过从正常分布的独立采样，零平均值和标准偏差0.01来初始化偏置。
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)，在哪里深圳是偏差的大小。

该层仅在偏见属性是空的。

数据类型：char|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。

层权值是可学习的参数。属性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，如果权重属性为非空，则trainNetwork使用权重属性作为初始值。如果权重属性为空trainNetwork属性指定的初始化式WeightsInitializer属性的层。

在培训时,权重是A.过滤（1）-经过-FilterSize (2)-经过-FilterSize (3)-经过-NumChannels-经过-NumFilters数组中。

数据类型：单|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，如果偏见非空的,那么trainNetwork使用偏见属性作为初始值。如果偏见是空的,然后trainNetwork使用指定的初始化式BiasInitializer．

在培训时,偏见是一个1-1×1的 -NumFilters数组中。

数据类型：单|双倍的

学习率和正规化

`WeightLearnRateFactor`- - - - - -权重的学习率因子
`1`（默认）|负的标量

权值的学习率因子，指定为非负标量。

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WeightLearnRateFactor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trainingOptions函数。

数据类型：单|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。

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trainingOptions函数。

数据类型：单|双倍的|int8|int16|INT32.|INT64.|uint8.|uint16|UINT32.|uint64

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

l₂权值的正则化因子，指定为非负标量。

软件将这个因素乘以全球l₂正则化因子的确定l₂对该层中的重量进行正则化。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trainingOptions函数。

数据类型：单|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。

软件将这个因素乘以全球l₂正则化因子的确定l₂对于该层的偏差进行正常化。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trainingOptions函数。

数据类型：单|双倍的|int8|int16|INT32.|INT64.|uint8.|uint16|UINT32.|uint64

层

`的名字`- - - - - -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，layerGraph,dlnetwork.函数自动为层分配名称的名字设置为＇＇．

数据类型：char|细绳

`numinputs.`- - - - - -输入数量
`1`（默认）

此属性是只读的。

层的输入数。这一层只接受单个输入。

数据类型：双倍的

`InputNames`- - - - - -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。

层输出的数量。这一层只有一个输出。

数据类型：双倍的

`OutputNames`- - - - - -输出的名字
`{“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

全部折叠

创建3d卷积层

打开生活的脚本

创建一个带16个过滤器的3-D卷积层，每个滤波器高，宽度和深度为5.在所有三个方向上使用4的步幅（步长）。

16层= convolution3dLayer(5日,“步”4)

Tillay =具有属性的卷积3dlayer：'''''Quand参数过滤：[5 5] NumChannels：'Auto'NumFilters：16步（3 4 4）DilationFactor：[1 1] PaddingMode：'手动'拼接：[2x3双] PaddingValue：0可学习参数权重：[]偏置：[]显示所有属性

包含一个3-D卷积层层数组中。

层= [.．.image3dInputLayer([28 28 28 3])“步”4) reluLayer maxPooling3dLayer (2“步”，4) softmaxLayer (10) softmaxLayer classificationLayer

图层= 7x1层阵列，具有图层：1''3-D图像输入28x28x28x3图像，具有“Zerocenter”归一化2''''卷积16 5x5x5卷曲的卷程[4 4 4]和填充[0 0 0;0 0 0] 3''Relu Relu 4''3-D最大池2x2x2 max汇集步进[4 4 4]和填充[0 0 0;0 0 0] 5''完全连接的10完全连接的第6层'Softmax Softmax 7''分类输出Crossentropyex

在三维卷积层中指定初始权值和偏差

打开生活的脚本

要指定权重和偏差初始化式函数，请使用WeightsInitializer和BiasInitializer属性分别。要直接指定权重和偏差，请使用权重和偏见属性分别。

指定初始化函数

创建一个带有32个滤镜的3d卷积层，每个滤镜的高度、宽度和深度都为5。将权重初始化式指定为He初始化式。

filterSize = 5;numFilters = 32;层= convolution3dLayer (filterSize numFilters,.．.“WeightsInitializer”，“他”）

layer = Convolution3DLayer with properties: Name: " Hyperparameters FilterSize: [5 5 5] NumChannels: 'auto' NumFilters: 32 Stride: [1 1 1] DilationFactor: [1 1 1] PaddingMode: 'manual' PaddingSize: [2x3 double] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

请注意,权重和偏见属性是空的。在培训时，软件使用指定的初始化函数初始化这些属性。

指定自定义初始化函数

要为权重和偏差指定自己的初始化函数，请设置WeightsInitializer和BiasInitializer属性设置为函数句柄。对于这些属性，指定将权重和偏差的大小作为输入和输出初始化值的函数句柄。

创建一个带有32个滤镜的卷积层，每个滤镜的高度，宽度和深度都为5。指定初始化器，从标准偏差为0.0001的高斯分布中采样权重和偏差。

filterSize = 5;numFilters = 32;层= convolution3dLayer (filterSize numFilters,.．.“WeightsInitializer”， @(sz) rand(sz) * 0.0001，.．.“BiasInitializer”， @(sz) rand(sz) * 0.0001)

layer = Convolution3DLayer with properties: Name: " Hyperparameters FilterSize: [5 5 5] NumChannels: 'auto' NumFilters: 32 Stride: [1 1 1] DilationFactor: [1 1 1] PaddingMode: 'manual' PaddingSize: [2x3 double] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

再一次,权重和偏见属性是空的。在培训时，软件使用指定的初始化函数初始化这些属性。

直接指定权重和偏差

创建一个与彩色图像兼容的三维卷积层。设置权重和偏差为W和b在MAT文件中conv3dweights.mat分别。

filterSize = 5;numFilters = 32;负载Conv3dWeights层= convolution3dLayer (filterSize numFilters,.．.“重量”W,.．.'偏见', b)

layer = Convolution3DLayer with properties: Name: " Hyperparameters FilterSize: [5 5 5] NumChannels: 3 NumFilters: 32 Stride: [1 1 1] DilationFactor: [1 1 1] PaddingMode: 'manual' PaddingSize: [2x3 double] PaddingValue: 0 Learnable Parameters Weights: [5- d double] Bias: [1x1x1x32 double]显示所有属性

在这里,权重和偏见属性包含指定的值。在训练时，如果这些属性是非空的，则软件使用指定的值作为初始权值和偏差。在这种情况下，软件不使用初始化函数。

创建完全覆盖3d输入的卷积层

打开生活的脚本

假设输入的大小是28 × 28 × 28 × 1。创建一个带有16个滤镜的3d卷积层，每个滤镜的高度为6，宽度为4，深度为5。将所有维度的步幅设置为4。

确保卷积完全覆盖输入。为了使卷积完全覆盖输入，输出维数必须是整数。当没有扩张时我输出维度计算为我) - filterSize (我) +填充(我)) /步(我) + 1。

如果水平输出尺寸为整数，则需要两行填充:(28 - 6 + 2)/4 + 1 = 7。通过在图像的顶部和底部添加一行填充对称地分布填充。
如果垂直输出尺寸为整数，则不需要填充:(28 - 4+ 0)/4 + 1 = 7。
如果深度输出尺寸为整数，则需要一个填充平面:(28 - 5 + 1)/4 + 1 = 7。你必须在图像的正面和背面不对称地分布填充。这个例子在图像的后面添加了一个填充平面。

构建卷积层。指定'填充'作为一个2×3矩阵。第一行指定预先添加，第二行指定三个维度中的后覆。

layer = convolution3dLayer([6 4 5]，16，“步”4'填充'，[1 0 0;1 0 1])

layer = Convolution3DLayer with properties: Name: " Hyperparameters FilterSize: [6 4 5] NumChannels: 'auto' NumFilters: 16 Stride: [4 4 4] DilationFactor: [1 1 1] PaddingMode: 'manual' PaddingSize: [2x3 double] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

参考文献

[1] Glorot，Xavier和Yoshua Bengio。“了解训练深馈神经网络的难度。”在第十三届国际人工智能和统计会议论文集, 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。

另请参阅

convolution2dLayer|globalAveragePooling3dLayer|maxPooling3dLayer|image3dInputLayer

主题

介绍了R2019a

convolution3dLayer

描述

创建

语法

描述

输入参数

填充- - - - - -输入边缘填充0（默认）|非负整数数组|“相同”

特性

卷积

FilterSize- - - - - -滤镜的高度、宽度和深度三个正整数的向量

NumFilters- - - - - -数量的过滤器正整数

步行- - - - - -遍历输入的步长(1 1 1)（默认）|三个正整数的向量

DilationFactor- - - - - -扩张卷积的因子(1 1 1)（默认）|三个正整数的向量

PaddingSize- - - - - -大小的填充[0 0 0;0 0 0]（默认）|非负整数的2-by-3矩阵

PaddingMode- - - - - -确定填充大小的方法“手动”（默认）|“相同”

PaddingValue- - - - - -值到填充数据0（默认）|标量|“symmetric-include-edge”|“symmetric-exclude-edge”|“复制”

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

参数和初始化

WeightsInitializer- - - - - -函数初始化权重“glorot”（默认）|“他”|“narrow-normal”|“零”|“的”|函数处理

BiasInitializer- - - - - -函数初始化偏差“零”（默认）|“narrow-normal”|“的”|函数处理

权重- - - - - -层重量[]（默认）|数字数组

偏见- - - - - -层的偏见[]（默认）|数字数组

学习率和正规化

WeightLearnRateFactor- - - - - -权重的学习率因子1（默认）|负的标量

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

WeightL2Factor- - - - - -l2权重的正则化因子1（默认）|负的标量

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

层

的名字- - - - - -层的名字＇＇（默认）|字符向量|字符串标量

numinputs.- - - - - -输入数量1（默认）

InputNames- - - - - -输入名称{'在'}（默认）

NumOutputs- - - - - -数量的输出1（默认）

OutputNames- - - - - -输出的名字{“出”}（默认）

例子

创建3d卷积层

在三维卷积层中指定初始权值和偏差

创建完全覆盖3d输入的卷积层

更多关于

三维卷积层

参考文献

另请参阅

主题

深度学习工具箱文档

金宝app

MATLABで始めるディープラーニング

`填充`- - - - - -输入边缘填充
`0`（默认）|非负整数数组|`“相同”`

`FilterSize`- - - - - -滤镜的高度、宽度和深度
三个正整数的向量

`NumFilters`- - - - - -数量的过滤器
正整数

`步行`- - - - - -遍历输入的步长
`(1 1 1)`（默认）|三个正整数的向量

`DilationFactor`- - - - - -扩张卷积的因子
`(1 1 1)`（默认）|三个正整数的向量

`PaddingSize`- - - - - -大小的填充
`[0 0 0;0 0 0]`（默认）|非负整数的2-by-3矩阵

`PaddingMode`- - - - - -确定填充大小的方法
`“手动”`（默认）|`“相同”`

`PaddingValue`- - - - - -值到填充数据
0（默认）|标量|`“symmetric-include-edge”`|`“symmetric-exclude-edge”`|`“复制”`

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

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

`BiasInitializer`- - - - - -函数初始化偏差
`“零”`（默认）|`“narrow-normal”`|`“的”`|函数处理

`权重`- - - - - -层重量
`[]`（默认）|数字数组

`偏见`- - - - - -层的偏见
`[]`（默认）|数字数组

`WeightLearnRateFactor`- - - - - -权重的学习率因子
`1`（默认）|负的标量

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

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

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

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

`numinputs.`- - - - - -输入数量
`1`（默认）

`InputNames`- - - - - -输入名称
`{'在'}`（默认）

`NumOutputs`- - - - - -数量的输出
`1`（默认）

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