文档帮助中心文档
特性输入层
特征输入层将特征数据输入到网络,并进行数据规范化。当您拥有表示特征(不含空间或时间维度的数据)的数字标量数据集时,请使用此层。
对于图像输入,使用imageInputLayer.
imageInputLayer
层= featureInputLayer (numFeatures)
层= featureInputLayer (numFeatures、名称、值)
层= featureInputLayer (numFeatures)返回一个特征输入层并设置InputSize属性设置为指定数量的特性。
层= featureInputLayer (numFeatures)
层
numFeatures
InputSize
例子
层= featureInputLayer (numFeatures,名称,值)使用名称-值对参数设置可选属性。可以指定多个名称-值对参数。将每个属性名用单引号括起来。
层= featureInputLayer (numFeatures,名称,值)
名称,值
全部展开
数据中每个观测的特征数,指定为正整数。
例子:10
10
归一化
“没有”
“zerocenter”
“zscore”
“rescale-symmetric”
“rescale-zero-one”
每次数据通过输入层向前传播时应用的数据规范化,指定为以下其中之一:
“zerocenter”-减去指定的平均值的意思是.
的意思是
“zscore”-减去指定的平均值的意思是然后除以StandardDeviation.
StandardDeviation
“rescale-symmetric”—使用指定的最小值和最大值重新缩放输入,使其在[- 1,1]范围内最小值和马克斯,分别。
最小值
马克斯
“rescale-zero-one”—使用指定的最小值和最大值重新缩放输入,使其在[0,1]范围内最小值和马克斯,分别。
“没有”—不要对输入数据进行规范化处理。
function handle—使用指定的函数对数据进行规范化。功能必须是形式的Y = func (X),在那里X是输入数据和输出数据吗Y为规范化数据。
Y = func (X)
X
Y
提示
默认情况下,软件会自动计算训练时间的归一化统计。为节省训练时的时间,指定规范化所需的统计信息并设置“ResetInputNormalization”选项trainingOptions来假.
“ResetInputNormalization”
trainingOptions
假
NormalizationDimension
“汽车”
“通道”
“所有”
归一化尺寸,指定为下列尺寸之一:
“汽车”—如果培训选项是假然后指定任何标准化统计量(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,重新计算训练时的统计数据,并应用通道方向的归一化。
“通道”——Channel-wise正常化。
“所有”-使用标量统计使所有值归一化。
[]
零中心和z分数标准化的平均值,指定为anumFeatures每个特征、数字标量或-by-1的均值向量[].
如果指定的意思是属性,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。
您可以在不进行培训的情况下创建网络时设置此属性(例如,使用assembleNetwork).
assembleNetwork
数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64
单
双
int8
int16
int32
int64
uint8
uint16
uint32
uint64
z-score标准化的标准偏差,指定为anumFeatures每个特征、数字标量或-by-1的均值向量[].
如果指定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。
缩放的最小值,指定为numFeatures每个特征的-1最小向量,一个数字标量,或[].
如果指定最小值属性,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。
缩放的最大值,指定为numFeatures每个特征的最大值的-乘1向量,数值标量,或[].
如果指定马克斯属性,然后归一化必须“rescale-symmetric”或“rescale-zero-one”.如果马克斯是[],然后软件计算在训练时的最大值。
的名字
''
层名,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的名字设置为''.
trainNetwork
layerGraph
dlnetwork
数据类型:字符|字符串
字符
字符串
NumInputs
层的输入数。该层没有输入。
数据类型:双
InputNames
{}
输入层名。该层没有输入。
数据类型:细胞
细胞
NumOutputs
1
此属性是只读的。
层输出的数量。这一层只有一个输出。
OutputNames
{“出”}
输出层的名称。这一层只有一个输出。
全部折叠
创建一个具有名称的特性输入层“输入”观测包括21个特征。
“输入”
层= featureInputLayer(21日“名字”,“输入”)
属性:Name: 'input' InputSize: 21 Hyperparameters Normalization: 'none' NormalizationDimension: 'auto'
将特征输入层包含在层数组中。
numFeatures = 21;numClasses = 3;[featureInputLayer(numFeatures,“名字”,“输入”) fullyConnectedLayer (numClasses“名字”,“俱乐部”) softmaxLayer (“名字”,“sm”) classificationLayer (“名字”,“分类”)]
Layer array with layers: 1 'input' Feature input 21 features 2 'fc' Fully Connected 3 ' Fully Connected Layer 3 'sm' Softmax Softmax 4 'classification' classification Output crossentropyex
要训练包含图像输入层和特征输入层的网络,必须使用dlnetwork对象在自定义训练循环中。
定义输入图像的大小,每次观测的特征个数,类的个数,卷积层的滤波器的大小和个数。
imageInputSize = [28 28 1];numFeatures = 1;numClasses = 10;filterSize = 5;numFilters = 16;
要创建具有两个输入层的网络,您必须将网络定义为两部分并将它们连接起来,例如,使用连接层。
定义网络的第一部分。定义图像分类层,并在最后一个完全连接层之前包含一个连接层。
images = [imageInputLayer(imageInputSize,“归一化”,“没有”,“名字”,“图片”) convolution2dLayer (filterSize numFilters,“名字”,“conv”) reluLayer (“名字”,“relu”) fullyConnectedLayer (50,“名字”,“fc1”) concatenationLayer(1、2、“名字”,“concat”) fullyConnectedLayer (numClasses“名字”,“取得”) softmaxLayer (“名字”,“softmax”));
将层转换为层图。
lgraph = layerGraph(层);
对于网络的第二部分,添加一个特征输入层,并将其连接到级联层的第二输入。
featInput = featureInputLayer (numFeatures,“名字”,“特性”);lgraph = addLayers(lgraph, featInput);lgraph = connectLayers (lgraph,“特性”,“concat / in2”);
可视化网络。
情节(lgraph)
创建一个dlnetwork对象。
dlnet = dlnetwork (lgraph)
dlnet = dlnetwork with properties: Layers: [8x1 nnet.cnn.layer.Layer] Connections: [7x2 table] Learnables: [6x3 table] State: [0x3 table] InputNames: {'images' ' 'features'} OutputNames: {'softmax'} Initialized: 1
生成CUDA®或使用GPU Coder™c++代码,您必须首先构建和训练一个深度神经网络。一旦对网络进行了训练和评估,您就可以配置代码生成器来生成代码,并在使用NVIDIA的平台上部署卷积神经网络®或手臂®GPU处理器。有关更多信息,请参见基于GPU编码器的深度学习(GPU编码器).
trainNetwork|fullyConnectedLayer|image3dInputLayer|深层网络设计师|imageInputLayer|sequenceInputLayer|dlnetwork
fullyConnectedLayer
image3dInputLayer
sequenceInputLayer
이예제의수정된버전이있습니다。사용자가편집한내용을반영하여이예제를여시겠습니까?
다음MATLAB명령에해당하는링크를클릭했습니다。
명령을실행하려면MATLAB명령창에입력하십시오。웹브라우저는MATLAB명령을지원하지않습니다。
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:.
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
与当地办事处联系