检查自定义或功能层的有效性
checkLayer (
中大小的生成数据检查自定义层或功能层的有效性层
,validInputSize
)validInputSize
.对于具有单一输入的层,设置validInputSize
以典型大小的数据输入到层中。对于有多个输入的层,设置validInputSize
到典型大小的单元格数组,其中每个元素对应一个层输入。
checkLayer (
使用一个或多个名称-值参数指定其他选项。层
,validInputSize
,名称=值
)
检查示例自定义层的有效性preluLayer
.
自定义层preluLayer
,作为支持文件附在此示例后面,它对输入数据应用PReLU操作。金宝app要访问此层,请将此示例作为活动脚本打开。
创建该层的一个实例,并检查它是否有效checkLayer
.将有效的输入大小设置为该层的单个观测输入的典型大小。对于单个输入,该层期望观测值的大小h——- - - - - -w——- - - - - -c,在那里h,w,c分别为前一层输出的高度、宽度和通道数。
指定validInputSize
作为输入数组的典型大小。
图层= preluLayer(20);validInputSize = [5 5 20];validInputSize checkLayer(层)
跳过多观察测试。要启用带有多个观测值的测试,请指定“ObservationDimension”选项。对于二维图像数据,将‘ObservationDimension’设置为4。对于3d图像数据,将“ObservationDimension”设置为5。对于序列数据,将“ObservationDimension”设置为2。跳过GPU测试。没有找到兼容的GPU设备。跳过代码生成兼容性测试。要检查代码生成层的有效性,请指定'CheckCodegenCompatibility'和'ObservationDimension'选项。运行nnet.checklayer.TestLayerWithoutBackward .......... .. Done nnet.checklayer.TestLayerWithoutBackward __________ Test Summary: 12 Passed, 0 Failed, 0 Incomplete, 16 Skipped. Time elapsed: 0.18741 seconds.
结果显示通过、失败和跳过测试的数量。如果没有指定ObservationsDimension
选项,或没有GPU,则该功能将跳过相应的测试。
检查多个观察结果
对于多观测输入,该层期望一个大小的观测数组h——- - - - - -w——- - - - - -c——- - - - - -N,在那里h,w,c通道的高度、宽度和数量是否分别为和N是观测的数量。
若要检查多个观测值的层有效性,请指定一个观测值的典型大小并设置ObservationDimension
选项4。
图层= preluLayer(20);validInputSize = [5 5 20];checkLayer(层、validInputSize ObservationDimension = 4)
跳过GPU测试。没有找到兼容的GPU设备。跳过代码生成兼容性测试。要检查代码生成层的有效性,请指定'CheckCodegenCompatibility'和'ObservationDimension'选项。运行nnet.checklayer.TestLayerWithoutBackward .......... ........完成nnet.checklayer.TestLayerWithoutBackward __________测试总结:18通过,0失败,0不完整,10跳过。时间流逝:0.19972秒。
在这种情况下,函数不会检测到该层的任何问题。
创建一个函数层对象,对输入应用软符号操作。软符号运算由函数给出 .
layer = functionLayer(@(X) X./(1 + abs(X)))
Name: " PredictFcn: @(X)X./(1+abs(X))) formatable: 0 Learnable Parameters无属性。状态参数无属性。显示所有属性
方法检查该层是否有效checkLayer
函数。将有效的输入大小设置为该层的单个观测输入的典型大小。例如,对于单个输入,该层期望观测值的大小h——- - - - - -w——- - - - - -c,在那里h,w,c分别为前一层输出的高度、宽度和通道数。
指定validInputSize
作为输入数组的典型大小。
validInputSize = [5 5 20];validInputSize checkLayer(层)
跳过多观察测试。要启用带有多个观测值的测试,请指定“ObservationDimension”选项。对于二维图像数据,将‘ObservationDimension’设置为4。对于3d图像数据,将“ObservationDimension”设置为5。对于序列数据,将“ObservationDimension”设置为2。跳过GPU测试。没有找到兼容的GPU设备。跳过代码生成兼容性测试。要检查代码生成层的有效性,请指定'CheckCodegenCompatibility'和'ObservationDimension'选项。运行nnet.checklayer.TestLayerWithoutBackward .......... .. Done nnet.checklayer.TestLayerWithoutBackward __________ Test Summary: 12 Passed, 0 Failed, 0 Incomplete, 16 Skipped. Time elapsed: 0.2085 seconds.
结果显示通过、失败和跳过测试的数量。如果没有指定ObservationsDimension
选项,或没有GPU,则该功能将跳过相应的测试。
检查多个观察结果
对于多观测图像输入,该层期望一个大小的观测数组h——- - - - - -w——- - - - - -c——- - - - - -N,在那里h,w,c通道的高度、宽度和数量是否分别为和N是观测的数量。
若要检查多个观测值的层有效性,请指定一个观测值的典型大小并设置ObservationDimension
选项4。
layer = functionLayer(@(X) X./(1 + abs(X)));validInputSize = [5 5 20];checkLayer(层、validInputSize ObservationDimension = 4)
跳过GPU测试。没有找到兼容的GPU设备。跳过代码生成兼容性测试。要检查代码生成层的有效性,请指定'CheckCodegenCompatibility'和'ObservationDimension'选项。运行nnet.checklayer.TestLayerWithoutBackward .......... ........完成nnet.checklayer.TestLayerWithoutBackward __________测试总结:18通过,0失败,0不完整,10跳过。时间流逝:0.13807秒。
在这种情况下,函数不会检测到该层的任何问题。
检查自定义层的代码生成兼容性codegenPreluLayer
.
自定义层codegenPreluLayer
,作为支持文件附在此示例后面,它对输入数据应用PReLU操作。金宝app要访问此层,请将此示例作为活动脚本打开。
创建一个层的实例,并检查它的有效性使用checkLayer
.将有效的输入大小指定为该层的典型输入的单个观察值的大小。该层期望4-D阵列输入,其中前三个维度对应于前一层输出的高度、宽度和通道数量,第四个维度对应于观测结果。
指定观测值输入的典型大小,并设置“ObservationDimension”
选项4。要检查代码生成兼容性,请设置CheckCodegenCompatibility
选项真正的
.的checkLayer
函数不会检查与代码生成不兼容的函数。要检查自定义层定义是否支持代码生成,请首先使用金宝app代码生成准备有关更多信息,请参见使用代码生成准备工具检查代码(MATLAB编码器).
层= codegenPreluLayer(20,“prelu”);validInputSize = [24 24 20];checkLayer(层、validInputSize ObservationDimension = 4, CheckCodegenCompatibility = true)
跳过GPU测试。没有找到兼容的GPU设备。运行nnet.checklayer.TestLayerWithoutBackward .......... .......... ...完成nnet.checklayer.TestLayerWithoutBackward __________测试总结:23通过,0失败,0不完整,5跳过。时间:1.2291秒。
该函数不检测该层的任何问题。
层
- - - - - -要检查的层nnet.layer.Layer
对象|nnet.layer.ClassificationLayer
对象|nnet.layer.RegressionLayer
对象要检查的层,指定为nnet.layer.Layer
,nnet.layer.ClassificationLayer
,nnet.layer.RegressionLayer
,或FunctionLayer
对象。
有关显示如何定义自己的自定义层的示例,请参见定义具有可学习参数的自定义深度学习层.若要创建应用指定功能的层,请使用functionLayer
.
的checkLayer
函数不支持继承的层金宝appnnet.layer.Formattable
.
validInputSize
- - - - - -有效的输入大小层的有效输入大小,指定为正整数向量或正整数向量的单元格数组。
对于具有单一输入的层,指定validInputSize
作为与输入数据的维数相对应的整数向量。例如,[5 5 10]
对应于大小为5 × 5 × 10的有效输入数据。
对于具有多个输入的层,指定validInputSize
作为向量的单元数组,其中每个向量对应于一个层输入,向量的元素对应于相应输入数据的维度。例如,{[24 24 20],[24 24 10]}
对应于两个输入的有效输入大小,其中24 × 24 × 20是第一个输入的有效输入大小,24 × 24 × 10是第二个输入的有效输入大小。
有关更多信息,请参见图层输入大小.
对于大的输入大小,梯度检查需要更长的时间运行。若要加快测试速度,请指定较小的有效输入大小。
例子:[5 5 10]
例子:{[24 24 20],[24 24 10]}
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|细胞
指定可选参数对为Name1 = Value1,…,以=家
,在那里的名字
参数名称和价值
对应的值。名称-值参数必须出现在其他参数之后,但对的顺序无关紧要。
ObservationDimension = 4
设置观察维度为4
ObservationDimension
- - - - - -观察维度观察维度,指定为正整数。
观测维数指定层输入数据的哪个维数对应于观测值。例如,如果层期望输入数据的大小h——- - - - - -w——- - - - - -c——- - - - - -N,在那里h,w,c分别对应输入数据的高、宽和通道数,和N对应观测数,则观测维数为4。有关更多信息,请参见图层输入大小.
如果指定了观测维度,则checkLayer
函数使用大小为1和2的迷你批生成的数据检查层函数是否有效。如果未指定观察维度,则该函数将跳过相应的测试。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
CheckCodegenCompatibility
- - - - - -标志以启用代码生成测试0
(假)(默认)|1
(真正的)标志,以启用代码生成测试,指定为0
(虚假的)或1
(真正的)。
如果CheckCodegenCompatibility
是1
(true),则必须指定ObservationDimension
选择。
代码生成只支持带有二维图像或特征金宝app输入的中间层。代码生成不支持带有状态属性的层(带有attribu金宝appte的属性)状态
).
的checkLayer
函数不检查层使用的函数是否与代码生成兼容。要检查自定义层使用的函数是否也支持代码生成,请首先使用金宝app代码生成准备有关更多信息,请参见使用代码生成准备工具检查代码(MATLAB编码器).
有关显示如何定义支持代码生成的自定义层的示例,请参见金宝app定义用于代码生成的自定义深度学习层.
数据类型:逻辑
对于每一层,有效的输入大小和观测维数取决于前一层的输出。
对于中间层(类型层)nnet.layer.Layer
),有效的输入大小和观测维数取决于输入到该层的数据类型。
对于具有单一输入的层,指定validInputSize
作为与输入数据的维数相对应的整数向量。
对于具有多个输入的层,指定validInputSize
作为向量的单元数组,其中每个向量对应于一个层输入,向量的元素对应于相应输入数据的维度。
对于大的输入大小,梯度检查需要更长的时间运行。若要加快测试速度,请指定较小的有效输入大小。
层的输入 | 输入的大小 | 观察维度 |
---|---|---|
特征向量 | c——- - - - - -N,在那里c对应于通道数和N是观测的数量。 | 2 |
二维图像 | h——- - - - - -w——- - - - - -c——- - - - - -N,在那里h,w,c分别对应图像的高度、宽度和通道数,和N是观测的数量。 | 4 |
三维图像 | h——- - - - - -w——- - - - - -d——- - - - - -c——- - - - - -N,在那里h,w,d,c分别对应三维图像的高度、宽度、深度和通道数,和N是观测的数量。 | 5 |
向量序列 | c——- - - - - -N——- - - - - -年代,在那里c是序列特征的数量,N是观察数,和年代是序列长度。 | 2 |
二维图像序列 | h——- - - - - -w——- - - - - -c——- - - - - -N——- - - - - -年代,在那里h,w,c分别对应图像的高度、宽度和通道数,N是观察数,和年代是序列长度。 | 4 |
三维图像序列 | h——- - - - - -w——- - - - - -d——- - - - - -c——- - - - - -N——- - - - - -年代,在那里h,w,d,c分别对应三维图像的高、宽、深、通道数,N是观察数,和年代是序列长度。 | 5 |
例如,对于二维图像分类问题,设置validInputSize
来[h w c]
,在那里h
,w
,c
分别对应图像的高度、宽度和通道数,和ObservationDimension
来4
.
代码生成只支持2-D图像输入的中金宝app间层。
对于输出层(类型的层nnet.layer.ClassificationLayer
或nnet.layer.RegressionLayer
),设置validInputSize
到单个输入观测值的典型大小Y
到这一层。
对于分类问题,有效的输入大小和观测维数Y
根据问题的类型:
分类任务 | 输入的大小 | 观察维度 |
---|---|---|
二维图像分类 | 1-by-1-by -K——- - - - - -N,在那里K是班级的数量和N是观测的数量。 | 4 |
三维图像分类 | 1-by-1-by-1-by -K——- - - - - -N,在那里K是班级的数量和N是观测的数量。 | 5 |
Sequence-to-label分类 | K——- - - - - -N,在那里K是班级的数量和N是观测的数量。 | 2 |
Sequence-to-sequence分类 | K——- - - - - -N——- - - - - -年代,在那里K是类的数量,N是观察数,和年代是序列长度。 | 2 |
例如,对于二维图像分类问题,设置validInputSize
来[11k]
,在那里K
是班级的数量,和ObservationDimension
来4
.
对于回归问题,的维数Y
也取决于问题的类型。尺寸如下表所示Y
.
回归的任务 | 输入的大小 | 观察维度 |
---|---|---|
二维图像回归 | 1-by-1-by -R——- - - - - -N,在那里R回复的数量和N是观测的数量。 | 4 |
二维图像到图像回归 | h——- - - - - -w——- - - - - -c——- - - - - -N ,在那里h,w,c输出的高、宽、通道数分别为和N是观测的数量。 |
4 |
三维图像回归 | 1-by-1-by-1-by -R——- - - - - -N,在那里R回复的数量和N是观测的数量。 | 5 |
三维图像到图像回归 | h——- - - - - -w——- - - - - -d——- - - - - -c——- - - - - -N ,在那里h,w,d,c输出的高、宽、深、通道数分别为和N是观测的数量。 |
5 |
Sequence-to-one回归 | R——- - - - - -N,在那里R回复的数量和N是观测的数量。 | 2 |
Sequence-to-sequence回归 | R——- - - - - -N——- - - - - -年代,在那里R是响应的数量,N是观察数,和年代是序列长度。 | 2 |
例如,对于二维图像回归问题,集合validInputSize
来[11 1 r]
,在那里R
回复的数量,和ObservationDimension
来4
.
的checkLayer
函数通过执行这些表中描述的一系列测试来检查自定义层的有效性。有关所使用的测试的详细信息checkLayer
,请参阅检查自定义层有效性.
的checkLayer
函数使用这些测试检查自定义中间层(类型的层)的有效性nnet.layer.Layer
).
测试 | 描述 |
---|---|
functionSyntaxesAreCorrect |
正确定义了层函数的语法。 |
predictDoesNotError |
预测 函数不会出错。 |
forwardDoesNotError |
当指定时, |
forwardPredictAreConsistentInSize |
当 |
backwardDoesNotError |
当指定时,落后的 不会出错。 |
backwardIsConsistentInSize |
当
|
predictIsConsistentInType |
的输出 |
forwardIsConsistentInType |
当 |
backwardIsConsistentInType |
当 |
gradientsAreNumericallyCorrect |
当落后的 指定后,在落后的 与数值梯度一致。 |
backwardPropagationDoesNotError |
当落后的 未指定时,可使用自动微分计算导数。 |
predictReturnsValidStates |
对于具有状态属性的层,预测 函数返回有效状态。 |
forwardReturnsValidStates |
对于具有状态属性的层,向前 函数,如果指定,则返回有效状态。 |
resetStateDoesNotError |
对于具有状态属性的层,resetState 函数,如果指定,则不会出错并将状态重置为有效状态。 |
codegenPragmaDefinedInClassDef |
的编译指示“% # codegen” 用于在类文件中指定代码生成。 |
checkFor金宝appSupportedLayerPropertiesForCodegen |
层属性支持代码生成。金宝app |
predictIsValidForCodeGeneration |
预测 对代码生成有效。 |
doesNotHaveStateProperties |
对于代码生成,该层没有状态属性。 |
金宝appsupportedFunctionLayer |
对于代码生成,层不是FunctionLayer 对象。 |
有些测试会运行多次。这些测试还检查不同的数据类型和GPU兼容性:
predictIsConsistentInType
forwardIsConsistentInType
backwardIsConsistentInType
要在GPU上执行层函数,函数必须支持类型的输入和输出金宝appgpuArray
使用底层数据类型单
.
的checkLayer
函数使用这些测试检查自定义输出层(类型的层)的有效性nnet.layer.ClassificationLayer
或nnet.layer.RegressionLayer
).
测试 | 描述 |
---|---|
forwardLossDoesNotError |
forwardLoss 不会出错。 |
backwardLossDoesNotError |
backwardLoss 不会出错。 |
forwardLossIsScalar |
的输出forwardLoss 是标量。 |
backwardLossIsConsistentInSize |
当backwardLoss 的输出backwardLoss 大小一致:dLdY 和预测的大小一样吗Y . |
forwardLossIsConsistentInType |
的输出 |
backwardLossIsConsistentInType |
当 |
gradientsAreNumericallyCorrect |
当backwardLoss 指定后,在backwardLoss 都是正确的。 |
backwardPropagationDoesNotError |
当backwardLoss 未指定时,可使用自动微分计算导数。 |
的forwardLossIsConsistentInType
而且backwardLossIsConsistentInType
测试还检查GPU兼容性。要在GPU上执行层函数,函数必须支持类型的输入和输出金宝appgpuArray
使用底层数据类型单
.
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。