imageInputlayer.

图像输入层

展开所有页面

描述

图像输入层将2-D图像输入到网络并应用数据归一化。

对于3-D图像输入，使用image3dInputLayer.

创建

语法

tillay = imageInputLayer（输入）

tillay = imageInputLayer（输入，名称，值）

描述

层= imageInputLayer（输入)返回图像输入层并指定InputSize所有物

实例

层= imageInputLayer（输入,名称、值)设置可选特性使用名称-值对。可以指定多个名称-值对。将每个属性名用单引号括起来。

特性

展开全部

图像输入

`InputSize`—输入的大小
整数行向量

输入数据的大小，指定为整数的行向量[h w c]，在哪里H,W和C分别对应于通道的高度、宽度和数量。

对于灰度图像，指定一个带有C等于1..
对于RGB图像，请指定带有C等于3..
对于多光谱或高光谱图像，请指定矢量C等于频道的数量。

对于3-D图像或卷输入，使用image3dInputLayer.

例子：[224 224 3]

`规范化`—数据归一化
`'Zerocenter'`（默认）|`“zscore”`|`“重缩放对称”`|`'Rescale-Zero-One'`|`“没有”`|函数句柄

要应用每次数据的数据归一化将通过输入图层向前传播，指定为以下之一：

'Zerocenter'- 减去所指定的平均值意思.
“zscore”- 减去所指定的平均值意思然后除以标准差.
“重缩放对称”-使用指定的最小值和最大值将输入重新缩放到范围[-1，1]内闵和马克斯分别地
'Rescale-Zero-One'- 使用最小值和最大值，重新缩放输入到范围内[0,1]闵和马克斯分别地
“没有”- 请勿将输入数据标准化。
函数句柄-使用指定函数规范化数据。函数的形式必须为Y=func（X），在哪里X输入数据和输出是输出Y是标准化的数据。

提示

默认情况下，该软件可自动计算培训时间的标准化统计信息。要节省培训时，请指定规范化所需的统计信息，并设置“ResetInputNormalization”选择权培训选项到错误的.

`正常化Dimension.`—归一化维数
`“自动”`（默认）|`'渠道'`|`“元素”`|`“全部”`

标准化维度，指定为以下之一：

“自动”–如果培训选项为错误的并且您指定了任何归一化统计信息（意思,标准差,闵，或者马克斯)，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。
'渠道'–通道方面的标准化。
“元素”–元素标准化。
“全部”–使用标量统计标准化所有值。

数据类型：char|细绳

`意思`—零中心和Z分数标准化的意思
`[]`（默认）|3-D阵列|数字标量

零中心和z分数标准化的平均值，指定为H-经过-W-经过-C数组，一个1乘1的数组-C每个通道的平均值数组、数值标量或[]，在哪里H,W和C分别对应于平均值的高度、宽度和通道数。

如果指定意思属性，然后规范化必须是'Zerocenter'或者“zscore”.如果意思是[]，然后软件计算训练时的平均值。

在创建网络而不进行培训时（例如，在使用装配网络时），可以设置此属性assembleNetwork).

数据类型：单身的|双倍的|INT8.|int16|INT32.|INT64.|uint8.|uint16|UINT32|UINT64

`标准差`—z评分标准化的标准偏差
`[]`（默认）|3-D阵列|数字标量

标准偏差为z评分标准化，指定为aH-经过-W-经过-C数组，一个1乘1的数组-C每个通道的平均值数组、数值标量或[]，在哪里H,W和C分别对应于标准偏差的高度、宽度和通道数。

如果指定标准差属性，然后规范化必须是“zscore”.如果标准差是[]，然后软件计算训练时的标准偏差。

在创建网络而不进行培训时（例如，在使用装配网络时），可以设置此属性assembleNetwork).

数据类型：单身的|双倍的|INT8.|int16|INT32.|INT64.|uint8.|uint16|UINT32|UINT64

`闵`—缩放的最小值
`[]`（默认）|3-D阵列|数字标量

重新定义的最小值，指定为aH-经过-W-经过-C数组，一个1乘1的数组-C每个通道的最小值数组，数字标量或[]，在哪里H,W和C分别对应于最小值的高度、宽度和通道数。

如果指定闵属性，然后规范化必须是“重缩放对称”或者'Rescale-Zero-One'.如果闵是[]，然后软件计算训练时的最小值。

在创建网络而不进行培训时（例如，在使用装配网络时），可以设置此属性assembleNetwork).

数据类型：单身的|双倍的|INT8.|int16|INT32.|INT64.|uint8.|uint16|UINT32|UINT64

`马克斯`—重新划分的最大值
`[]`（默认）|3-D阵列|数字标量

重新定义的最大值，指定为aH-经过-W-经过-C数组，一个1乘1的数组-C每个通道的最大数组，数字标量或[]，在哪里H,W和C分别对应于最大值的高度、宽度和通道数。

如果指定马克斯属性，然后规范化必须是“重缩放对称”或者'Rescale-Zero-One'.如果马克斯是[]，然后软件计算训练时的最大值。

在创建网络而不进行培训时（例如，在使用装配网络时），可以设置此属性assembleNetwork).

数据类型：单身的|双倍的|INT8.|int16|INT32.|INT64.|uint8.|uint16|UINT32|UINT64

`dataaugmentation.`—数据扩充变换
`“没有”`（默认）|`'randcrop'`|`“randfliplr”`|细胞阵列`'randcrop'`和`“randfliplr”`

笔记

这个dataaugmentation.建议不建议。与裁剪，反射和其他几何变换的预处理图像，使用AugmentedimageGedataStore.相反

数据增强转换在培训期间使用，指定为以下之一。

“没有”-无数据扩充
'randcrop'-从训练图像中随机裁剪。随机作物的大小与输入的大小相同。
“randfliplr”- 随机地用50％的几率水平翻转输入图像。
细胞阵列'randcrop'和“randfliplr”.该软件按照单元格数组中指定的顺序应用增强。

增加图像数据是减少过度拟合的另一种方法［1］,[2].

数据类型：细绳|char|单间牢房

层

`姓名`—图层名称
`''`（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，列车网络,assembleNetwork,分层图和dlnetwork.函数自动将名称分配给图层姓名着手''.

数据类型：char|细绳

`numinputs.`—输入数
0（默认）

层的输入数。该层没有输入。

数据类型：双倍的

`输入名称`—输入名称
`{}`（默认）

图层的输入名称。该层没有输入。

数据类型：单间牢房

`NumOutputs`—输出数量
`1.`（默认）

此属性是只读的。

层的输出数。该层只有一个输出。

数据类型：双倍的

`OutputNames`—输出名称
`{'出去'}`（默认）

此属性是只读的。

图层的输出名称。此图层仅具有单个输出。

数据类型：单间牢房

例子

全部崩溃

创建图像输入层

打开直播脚本

为具有名称的28 x 28彩色图像创建图像输入层“输入”默认情况下，层通过从每个输入图像中减去训练集的平均图像来执行数据规范化。

inputlayer=imageInputLayer（[28 3]，“姓名”,“输入”)

InputLayer =具有属性的ImageInputlayer：名称：'输入'输入：[28 28 3] HyperParameters Dataaugmentation：'无'归一化：'Zerocenter'普通化Dimension：'Auto'均值：[]

将图像输入层包含在层大堆

层= [......imageInputLayer（[28 1]）卷积2Dlayer（5,20）reluLayer MaxPoolig2Dlayer（2，“大步走”，2）完整连接层（10）softmaxLayer分类层]

layers=7x1层阵列，带层：1''图像输入28x28x1图像，带“零中心”规格化2''卷积20 5x5卷积，带跨步[1]和填充[0 0 0 0 0 0 0]3''ReLU ReLU 4''最大池2x2最大池，带跨步[2]和填充[0 0 0 0 0 0]5''全连接10''全连接层6''Softmax Softmax 7''分类输出crossentropyex

兼容性考虑

展开全部

`平均值`财产将被移除

不推荐在R2019B开始

平均值将被删除。请使用意思相反要更新代码，请更换所有实例平均值具有意思。需要对代码进行其他更新的属性之间没有差异。