主要内容

scalingLayer

演员或评论家网络扩展层

自从R2019a

扩展所有的页面

描述

一层线性缩放和偏见的输入数组U,给一个输出Y =。* U +偏见。可以把这一层到深层神经网络定义为演员或批评者在强化学习代理。这一层是有用的扩展和变化的输出非线性层,如tanhLayer和乙状结肠。

例如,一个tanhLayer给出了有界输出介于1和1。如果你的演员网络输出有不同范围(如演员规范中定义),可以包含一个ScalingLayer作为输出适当规模和转变演员网络输出。

的参数ScalingLayer对象不是可学的。

创建

语法

杀手= scalingLayer
杀手= scalingLayer(名称、值)

描述

捉鬼= scalingLayer创建一个扩展层用默认属性值。

例子

捉鬼= scalingLayer (名称,值)集属性使用名称-值对。例如,scalingLayer(“规模”,0.5)创建一个扩展层尺度的输入0.5。在报价附上每个属性的名字。

属性

全部展开

层,名称指定为一个特征向量。包括在一层一层图,您必须指定一个非空的独特的层的名字。如果你训练一系列网络与这一层的名字被设置为”软件自动分配一个名称,那么在训练时间层。

这个属性是只读的。

描述层,指定为一个特征向量。当您创建扩展层,您可以使用这个属性来给它一个描述,可以帮助您识别它的目的。

Element-wise规模扩展的输入层,指定为以下之一:

  • 标量——指定相同的比例因子输入数组的所有元素。

  • 阵列扩展相同的维数作为输入数组,指定不同的输入数组的每个元素的规模因素。

请注意

规模和偏见必须有相同的大小,如果他们都是数组。

扩展层需要一个输入U并生成输出Y =。* U +偏见。

Element-wise偏见扩展的输入层,指定为以下之一:

  • 标量——指定相同的偏差输入数组的所有元素。

  • 阵列扩展相同的维数作为输入数组,指定一个不同的偏差输入数组的每个元素。

请注意

规模和偏见必须有相同的大小,如果他们都是数组。

扩展层需要一个输入U并生成输出Y =。* U +偏见。

例子

全部折叠

打开生活的脚本

创建一个扩展层,将一个输入数组U输出数组Y = 0.1。* U - 0.4。

杀手= scalingLayer(= 0.1,偏见= -0.4)
杀手= ScalingLayer属性:名称:“缩放”规模:0.1000偏见:-0.4000可学的参数没有属性。状态参数没有属性。显示所有属性

确认层缩放和偏移量输入数组。

预测(猎人,[10年,20年,30])
ans =1×30.6000 1.6000 2.6000

你可以把捉鬼为强化演员网络或者批评网络学习。

打开生活的脚本

假设前的层scalingLayer是一个tanhLayer沿着第一个维度三个输出一致,和您想要应用不同的使用比例因子和偏差scalingLayer。

规模= 10 [2.5 - 0.4];偏见= (-50 0)';

创建scalingLayer对象。

杀手= scalingLayer(规模=规模,偏差=偏差);

确认伸缩层应用正确的规模和与预期的偏差值数组的维度。

testData = 10 10 [10];testData预测(猎人)
ans =3×130 4 50

扩展功能

C / c++代码生成
生成C和c++代码使用MATLAB®编码器™。

GPU的代码生成
生成NVIDIA的CUDA®代码®GPU使用GPU编码器™。

版本历史

介绍了R2019a

另请参阅

功能

主题