checkLayer

检查自定义或功能层的有效性

折叠所有页面

语法

validInputSize checkLayer(层)

checkLayer(层、validInputSize Name =价值)

描述

checkLayer (层，validInputSize）中大小的生成数据检查自定义层或功能层的有效性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。

例子

checkLayer (层，validInputSize，名称=值）使用一个或多个名称-值参数指定其他选项。

例子

全部折叠

检查自定义层有效性

打开实时脚本

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。

检查功能层有效性

打开实时脚本

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 $f （ x ）＝ \frac{x}{1 + | x |}$ ．

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。

检查自定义层代码生成兼容性

打开实时脚本

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。

输入参数

全部折叠

`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
正整数向量|正整数向量的单元格数组

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

名称-值参数

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。

例子:ObservationDimension = 4设置观察维度为4

`ObservationDimension`- - - - - -观察维度
正整数

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

更多关于

全部折叠

图层输入大小

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。

中间的层

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。

输出层

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．

算法

全部折叠

测试列表

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．

中间的层

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，`向前`函数不会出错。
`forwardPredictAreConsistentInSize`	当`向前`是指定的,`向前`而且`预测`输出相同大小的值。
`backwardDoesNotError`	当指定时,`落后的`不会出错。
`backwardIsConsistentInSize`	当`落后的`的输出`落后的`大小一致: 对每个输入的导数都与相应的输入大小相同。每个可学习参数的导数与相应的可学习参数的大小相同。
`predictIsConsistentInType`	的输出`预测`与输入的类型一致。
`forwardIsConsistentInType`	当`向前`的输出`向前`与输入的类型一致。
`backwardIsConsistentInType`	当`落后的`的输出`落后的`与输入的类型一致。
`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．

输出层

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`forwardLoss`类型一致的:`损失`和预测的是同一类型吗`Y`．
`backwardLossIsConsistentInType`	当`backwardLoss`的输出`backwardLoss`类型一致的:`dLdY`一定和预测的一样吗`Y`．
`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．

另请参阅

trainNetwork|trainingOptions|analyzeNetwork

主题

在R2018a中引入

checkLayer

语法

描述

例子

检查自定义层有效性

检查功能层有效性

检查自定义层代码生成兼容性

输入参数

`层`- - - - - -要检查的层
`nnet.layer.Layer`对象|`nnet.layer.ClassificationLayer`对象|`nnet.layer.RegressionLayer`对象

`validInputSize`- - - - - -有效的输入大小
正整数向量|正整数向量的单元格数组

名称-值参数

`ObservationDimension`- - - - - -观察维度
正整数

`CheckCodegenCompatibility`- - - - - -标志以启用代码生成测试
`0`(假)(默认)|`1`(真正的)

更多关于

图层输入大小

算法

测试列表

另请参阅

主题

深度学习工具箱文档

金宝app

用MATLAB介绍深度学习

checkLayer

语法

描述

例子

检查自定义层有效性

检查功能层有效性

检查自定义层代码生成兼容性

输入参数

层- - - - - -要检查的层nnet.layer.Layer对象|nnet.layer.ClassificationLayer对象|nnet.layer.RegressionLayer对象

validInputSize- - - - - -有效的输入大小正整数向量|正整数向量的单元格数组

名称-值参数

ObservationDimension- - - - - -观察维度正整数

CheckCodegenCompatibility- - - - - -标志以启用代码生成测试0(假)(默认)|1(真正的)

更多关于

图层输入大小

算法

测试列表

另请参阅

主题

深度学习工具箱文档

金宝app

用MATLAB介绍深度学习

`层`- - - - - -要检查的层
`nnet.layer.Layer`对象|`nnet.layer.ClassificationLayer`对象|`nnet.layer.RegressionLayer`对象

`validInputSize`- - - - - -有效的输入大小
正整数向量|正整数向量的单元格数组

`ObservationDimension`- - - - - -观察维度
正整数

`CheckCodegenCompatibility`- - - - - -标志以启用代码生成测试
`0`(假)(默认)|`1`(真正的)