主要内容

featureInputLayer

特性输入层

全部展开页面

描述

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．

创建

语法

层= featureInputLayer (numFeatures)
层= featureInputLayer (numFeatures、名称、值)

描述

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。

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。

属性

全部展开

功能的输入

数据中每个观测的特征数，指定为正整数。

对于图像输入，使用imageInputLayer．

例子:10

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．

  • “zscore”-减去指定的平均值的意思是然后除以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。

  • “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。

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．

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）.

数据类型: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。

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）.

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

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。

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）.

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

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。

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）.

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

层

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＇＇．

数据类型:字符|字符串

层的输入数。该层没有输入。

数据类型:双

输入层名。该层没有输入。

数据类型:细胞

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

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

打开生活的脚本

创建一个具有名称的特性输入层“输入”观测包括21个特征。

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
打开生活的脚本

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)

图中包含一个轴对象。axis对象包含一个graphplot类型的对象。

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

扩展功能

另请参阅

||||||

主题

介绍了R2020b

深度学习工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书