transposedConv3dLayer

转置三维卷积层

折叠所有页面

语法

layer = transposedConv3dLayer(filterSize,numFilters)

layer =转置conv3dlayer (filterSize,numFilters，名称，值)

描述

转置的三维卷积层向上采样三维特征图。

这一层有时被错误地称为“反褶积”或“反褶积”层。这一层执行卷积的转置，不执行反褶积。

层= transposedConv3dLayer (filterSize，numFilters）返回一个三维转置卷积层，并设置FilterSize而且NumFilters属性。

例子

层= transposedConv3dLayer (filterSize，numFilters，名称,值）返回一个三维转置卷积层，并使用一个或多个名称-值对参数指定附加选项。

例子

全部折叠

创建转置3-D卷积层

打开实时脚本

创建一个带有32个过滤器的转置3-D卷积层，每个过滤器的高度、宽度和深度为11。在水平和垂直方向上使用4的步幅，在深度上使用2的步幅。

层=转置conv3dlayer (11,32，“步”，[4 4 2])

layer = TransposedConvolution3DLayer with properties: Name: " Hyperparameters FilterSize: [11 11 11] NumChannels: 'auto' NumFilters: 32 Stride: [4 4 2] CroppingMode: 'manual' CroppingSize: [2x3 double] Learnable Parameters Weights: [] Bias:[]显示所有属性

输入参数

全部折叠

`filterSize`- - - - - -过滤器的高度、宽度和深度
正整数|三个正整数的向量

过滤器的高度、宽度和深度，指定为正整数或由三个正整数组成的向量[h w d],在那里h是高度，w是宽度，和d是深度。过滤器大小定义了神经元在输入中连接的局部区域的大小。

如果filterSize为标量，则软件对所有三个维度使用相同的值。

例子:[5 6 7]指定高度、宽度和深度为的筛选器5，6,7分别。

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

`numFilters`- - - - - -过滤器数量
正整数

筛选器的数目，指定为正整数。这个数字对应于该层中连接到输入中相同区域的神经元数量。这个参数决定了层输出中的通道(特征映射)的数量。

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

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。

在R2021a之前，使用逗号分隔每个名称和值，并将其括起来的名字在报价。

例子:transposedConv3dLayer(11, 96,“步”,4)创建一个3-D转置卷积层，96个大小为11的滤波器，步幅为4。

转置卷积

全部折叠

`步`- - - - - -遍历输入的步长
`[1 1 1]`(默认)|三个正整数的向量

在三维中遍历输入的步长，指定为向量[a b c]三个正整数，其中一个是竖直步长，b水平步长，和c是沿深度的步长。在创建层时，您可以指定步作为一个标量，在三个方向上对步长使用相同的值。

例子:[2 3 1]指定垂直步长为2，水平步长为3，以及深度为1的步长。

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

`裁剪`- - - - - -输出尺寸减小
`0`(默认)|`“相同”`|非负整数的向量|非负整数矩阵

输出大小减小，指定为以下之一:

“相同”-设置裁剪，使输出大小等于inputSize。*步,在那里inputSize是输入层的高度、宽度和深度。如果你设置裁剪选项“相同”，然后软件自动设置CroppingMode属性“相同”．
如果可能的话，软件会从顶部和底部、左边和右边，以及前面和后面修剪等量的头发。如果垂直裁剪量为奇数，则软件将从底部裁剪额外一行。如果水平裁剪量为奇数，则软件将从右侧裁剪额外的一列。如果深度裁剪量为奇数，则软件将从后面裁剪一个额外的平面。
正整数-从所有边中裁剪指定数量的数据。
非负整数向量[a b c]——作物一个从上到下裁剪b从左到右，然后裁剪c从前面和后面。
一个非负整数的矩阵[t l f;B r bk]非负整数-裁剪t，l，f，b，r，汉堡王分别从输入的上、左、前、下、右和后。

如果你设置裁剪选项设置为数值，然后软件自动设置CroppingMode属性“手动”．

例子:[1 2 2]

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

`NumChannels`- - - - - -输入通道数
`“汽车”`(默认)|正整数

输入通道的数量，指定为下列之一:

“汽车”-在训练时自动确定输入通道数。
正整数-为指定的输入通道数量配置层。NumChannels并且层中输入数据的通道数量必须匹配。例如，如果输入是RGB图像，则NumChannels一定是3。如果输入是带有16个滤波器的卷积层的输出，则NumChannels必须是16岁。

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

参数和初始化

全部折叠

`WeightsInitializer`- - - - - -函数初始化权重
`“glorot”`(默认)|`“他”`|`“narrow-normal”`|`“零”`|`“的”`|函数处理

函数初始化权重，指定为以下之一:

“glorot”-使用Glorot初始化器初始化权重[1](也称为Xavier初始化器)。格洛洛特初始化器独立地从均值和方差为零的均匀分布中采样2/(numIn + numOut),在那里numIn = FilterSize(1)*FilterSize(2)*FilterSize(3)*NumChannels而且numOut = FilterSize(1)*FilterSize(2)*FilterSize(3)*NumFilters．
“他”-使用He初始化式初始化权重[２]．He初始化器样本来自均值和方差为零的正态分布2 / numIn,在那里numIn = FilterSize(1)*FilterSize(2)*FilterSize(3)*NumChannels．
“narrow-normal”-通过从均值为0，标准差为0.01的正态分布中独立抽样来初始化权重。
“零”-用0初始化权重。
“的”-用1初始化权重。
函数句柄——使用自定义函数初始化权重。如果指定了函数句柄，则该函数必须为权重= func(sz),在那里深圳就是权重的大小。有关示例，请参见指定自定义权重初始化函数．

时，层才初始化权重权重属性为空。

数据类型:字符|字符串|function_handle

`BiasInitializer`- - - - - -函数初始化偏置
`“零”`(默认)|`“narrow-normal”`|`“的”`|函数处理

函数初始化偏差，指定为以下之一:

“零”-用0初始化偏差。
“的”-用1初始化偏差。
“narrow-normal”-通过从均值为零、标准差为0.01的正态分布中独立抽样来初始化偏差。
函数句柄-使用自定义函数初始化偏置。如果指定了函数句柄，则该函数必须为偏差= func(sz),在那里深圳是偏差的大小。

时，层才初始化偏差偏见属性为空。

数据类型:字符|字符串|function_handle

`权重`- - - - - -层的重量
`［］`(默认)|数字数组

转置卷积运算的层权值，指定为aFilterSize (1)——- - - - - -FilterSize (2)——- - - - - -FilterSize (3)——- - - - - -numFilters——- - - - - -NumChannels数字数组或［］．

层权值是可学习的参数。属性可以直接指定权重的初始值权重层的属性。当你训练一个网络时，如果权重属性为非空，则trainNetwork使用权重属性作为初始值。如果权重那么，属性是空的trainNetwork属性指定的初始化式WeightsInitializer层的属性。

数据类型:单|双

`偏见`- - - - - -层的偏见
`［］`(默认)|数字数组

转置卷积运算的层偏差，指定为1-by-1-by-numFilters数字数组或［］．

层偏差是可学习参数。当你训练一个网络时，如果偏见非空吗trainNetwork使用偏见属性作为初始值。如果偏见那么是空的trainNetwork所指定的初始化式BiasInitializer．

数据类型:单|双

学习率和正则化

全部折叠

`WeightLearnRateFactor`- - - - - -学习率因子的权重
`1`(默认)|负的标量

权重的学习率因子，指定为非负标量。

该软件将该因子乘以全局学习率，以确定该层权重的学习率。例如，如果WeightLearnRateFactor是2，则该层权重的学习率为当前全局学习率的两倍。方法指定的设置，该软件根据设置确定全局学习率trainingOptions函数。

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

`BiasLearnRateFactor`- - - - - -学习率因素偏差
`1`(默认)|负的标量

偏差的学习率因子，指定为非负标量。

该软件将该因子乘以全局学习率，以确定该层偏差的学习率。例如，如果BiasLearnRateFactor是2，则该层中偏差的学习率为当前全局学习率的两倍。方法指定的设置，该软件根据设置确定全局学习率trainingOptions函数。

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

`WeightL2Factor`- - - - - -l₂权重的正则化因子
1(默认)|负的标量

l₂权重的正则化因子，指定为非负标量。

软件将这个因子乘以全局l₂正则化因子的确定l₂这一层权重的正则化。例如，如果WeightL2Factor是2，则l₂这一层权重的正则化是全局的两倍l₂正则化因子。可以指定全局变量l₂正则化因子使用trainingOptions函数。

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

`BiasL2Factor`- - - - - -l₂偏差的正则化因子
`0`(默认)|负的标量

l₂偏差的正则化因子，指定为非负标量。

软件将这个因子乘以全局l₂正则化因子的确定l₂这一层偏差的正则化。例如，如果BiasL2Factor是2，则l₂这一层偏差的正则化是全局偏差的两倍l₂正则化因子。可以指定全局变量l₂正则化因子使用trainingOptions函数。

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

层

全部折叠

`的名字`- - - - - -层的名字
`”`(默认)|特征向量|字符串标量

层名，指定为字符向量或字符串标量。为层数组输入时，trainNetwork，assembleNetwork，layerGraph,dlnetwork函数自动为具有name的层分配名称”．

数据类型:字符|字符串

输出参数

全部折叠

`层`-转置三维卷积层
`TransposedConvolution3DLayer`对象

转置的三维卷积层，返回为TransposedConvolution3dLayer对象。

算法

全部折叠

三维转置卷积层

转置的三维卷积层向上采样三维特征图。

的标准卷积操作downsamples通过对输入应用滑动卷积滤波器得到的输入。通过将输入和输出扁平化，可以将卷积运算表示为 $Y ＝ C X + B$ 对于卷积矩阵C和偏见B这可以从层权重和偏差中推导出来。

类似地,转置卷积操作upsamples通过对输入应用滑动卷积滤波器得到的输入。为了对输入进行上采样，而不是使用滑动滤波器进行下采样，层零填充输入的每个边，其大小为对应的滤波器边大小- 1。

通过将输入和输出扁平化，转置卷积运算等价于 $Y ＝ C^{⊤} X + B$ ,在那里C而且B分别表示由层权值和偏差导出的标准卷积的卷积矩阵和偏差矩阵。这个操作相当于一个标准卷积层的后向函数。

参考文献

格洛洛特，泽维尔，还有约书亚·本吉奥。《理解深度前馈神经网络训练的难度》在第十三届人工智能与统计国际会议论文集, 249 - 356。撒丁岛，意大利:AISTATS, 2010。

[2]何开明，张翔宇，任少卿，孙健。“深入研究整流器:在ImageNet分类上超越人类水平的性能。”在2015年IEEE计算机视觉国际会议论文集, 1026 - 1034。华盛顿:IEEE计算机视觉学会，2015。

版本历史

在R2019a中引入

另请参阅

maxPooling3dLayer|averagePooling3dLayer|TransposedConvolution3dLayer|SoftmaxLayer|transposedConv2dLayer

transposedConv3dLayer

语法

描述

例子

创建转置3-D卷积层

输入参数

filterSize- - - - - -过滤器的高度、宽度和深度正整数|三个正整数的向量

numFilters- - - - - -过滤器数量正整数

名称-值参数

步- - - - - -遍历输入的步长[1 1 1](默认)|三个正整数的向量

裁剪- - - - - -输出尺寸减小0(默认)|“相同”|非负整数的向量|非负整数矩阵

NumChannels- - - - - -输入通道数“汽车”(默认)|正整数

WeightsInitializer- - - - - -函数初始化权重“glorot”(默认)|“他”|“narrow-normal”|“零”|“的”|函数处理

BiasInitializer- - - - - -函数初始化偏置“零”(默认)|“narrow-normal”|“的”|函数处理

权重- - - - - -层的重量［］(默认)|数字数组

偏见- - - - - -层的偏见［］(默认)|数字数组

WeightLearnRateFactor- - - - - -学习率因子的权重1(默认)|负的标量

BiasLearnRateFactor- - - - - -学习率因素偏差1(默认)|负的标量

WeightL2Factor- - - - - -l2权重的正则化因子1(默认)|负的标量

BiasL2Factor- - - - - -l2偏差的正则化因子0(默认)|负的标量

的名字- - - - - -层的名字”(默认)|特征向量|字符串标量

输出参数

层-转置三维卷积层TransposedConvolution3DLayer对象

算法

三维转置卷积层

参考文献

版本历史

另请参阅

主题

`filterSize`- - - - - -过滤器的高度、宽度和深度
正整数|三个正整数的向量

`numFilters`- - - - - -过滤器数量
正整数

`步`- - - - - -遍历输入的步长
`[1 1 1]`(默认)|三个正整数的向量

`裁剪`- - - - - -输出尺寸减小
`0`(默认)|`“相同”`|非负整数的向量|非负整数矩阵

`NumChannels`- - - - - -输入通道数
`“汽车”`(默认)|正整数

`WeightsInitializer`- - - - - -函数初始化权重
`“glorot”`(默认)|`“他”`|`“narrow-normal”`|`“零”`|`“的”`|函数处理

`BiasInitializer`- - - - - -函数初始化偏置
`“零”`(默认)|`“narrow-normal”`|`“的”`|函数处理

`权重`- - - - - -层的重量
`［］`(默认)|数字数组

`偏见`- - - - - -层的偏见
`［］`(默认)|数字数组

`WeightLearnRateFactor`- - - - - -学习率因子的权重
`1`(默认)|负的标量

`BiasLearnRateFactor`- - - - - -学习率因素偏差
`1`(默认)|负的标量

`WeightL2Factor`- - - - - -l₂权重的正则化因子
1(默认)|负的标量

`BiasL2Factor`- - - - - -l₂偏差的正则化因子
`0`(默认)|负的标量

`的名字`- - - - - -层的名字
`”`(默认)|特征向量|字符串标量

`层`-转置三维卷积层
`TransposedConvolution3DLayer`对象