用于自定义训练循环的深度学习阵列
深度学习阵列使用可选的数据格式标签存储数据,用于自定义训练循环,并使函数能够通过自动区分计算和使用导数。
小费
对于大多数深度学习任务,您可以使用预先训练的网络并将其适应于您自己的数据。有关如何使用迁移学习重新训练卷积神经网络来对一组新的图像进行分类的示例,请参见训练深度学习网络分类新图像.或者,您可以从头创建和训练网络使用layerGraph
的对象Trainnetwork.
和trainingOptions
功能。
如果是trainingOptions
函数没有提供您的任务所需的培训选项,那么您可以使用自动区分创建一个自定义培训循环。要了解更多,请查看定义自定义训练循环的深度学习网络.
dlarray.
标签使您能够使用该表中的函数来执行,以确保数据具有适当的格式。
函数 | 操作 | 验证输入维度 | 影响输入维度的大小 |
---|---|---|---|
avgpool |
计算输入数据在移动的矩形(或长方体)空间上的平均值(' )由池大小参数定义的区域。 |
' |
' |
Batchnorm. |
标准化每个通道中包含的值(“C” )的输入数据。 |
“C” |
|
基于分子 |
计算估计和目标值之间的跨熵,平均由批次的大小(“B” )维度。 |
' 那“C” 那“B” 那'T' 那'U' (估计数组和目标数组必须具有相同的大小。) |
' 那“C” 那“B” 那'T' 那'U' (输出是一个未标记的标量。) |
dlconv |
使用一组滤波器计算输入数据的深度学习卷积,匹配空间(' )(()频道的(函数)(“C” )的尺寸,并添加一个恒定的偏置。 |
' 那“C” |
' 那“C” |
dltranspconv |
使用滤波器数组计算输入数据的深度学习转换卷积,匹配空间数量(' )(()频道的(函数)(“C” )的尺寸,并添加一个恒定的偏置。 |
' 那“C” |
' 那“C” |
fullyconnect |
计算输入数据的加权和,并对每批数据应用一个偏差(“B” )及时间('T' )维度。 |
' 那“C” 那'U' |
' 那“C” 那“B” 那'T' 那'U' (输出总是有标签“CB” 那'CT' ,或“施” .) |
gru. |
对输入数据应用门控循环单元计算。 |
' 那“C” 那'T' |
“C” |
lstm |
对输入数据应用长短的短期内存计算。 |
' 那“C” 那'T' |
“C” |
maxpool |
计算移动矩形空间上输入数据的最大值(' )由池大小参数定义的区域。 |
' |
' |
maxunpool |
计算空间上的反池操作(' )维度。 |
' |
' |
均方误差 |
计算估计和目标值之间的半平均平方误差,平均由批次的大小(“B” )维度。 |
' 那“C” 那“B” 那'T' 那'U' (估计数组和目标数组必须具有相同的大小。) |
' 那“C” 那“B” 那'T' 那'U' (输出是一个未标记的标量。) |
softmax |
将softmax激活应用于每个通道(“C” )的输入数据。 |
“C” |
这些函数要求每个维度都有一个标签,指定为它们的第一个标签dlarray.
输入,或作为“DataFormat”
包含维度标签的名称-值对参数。
dlarray.
强制标签的顺序“SCBTU”
.这种强制消除了操作中的二义性语义,即隐式匹配输入之间的标签。dlarray.
也强制标签“C”
那“B”
,'T'
每个人都可以最多出现一次。使用这些标签的函数在每个标签的大多数维度上接受。
dlarray.
提供删除标签的功能(剥离丁片
),获取与标签相关的尺寸(Finddim.
),并列出与a相关联的标签dlarray.
(昏暗
)。
有关如何使用dlarray.
表现与标签,看著名的dlarray行为.
avgpool |
池数据到空间尺寸的平均值 |
Batchnorm. |
独立地对每个渠道的所有观察结果正常化 |
基于分子 |
分类任务的交叉熵损耗 |
昏暗 |
维度标签dlarray. |
dlconv |
深入学习卷积 |
Dlgradient. |
使用自动微分计算自定义训练循环的梯度 |
dltranspconv |
深入学习转置卷积 |
extractdata |
从中提取数据dlarray. |
Finddim. |
查找具有指定标签的尺寸 |
fullyconnect |
对所有加权输入数据求和,并应用一个偏差 |
gru. |
门控复发单位 |
leakyrelu. |
应用漏泄整流线性单元活化 |
lstm |
长时间的短期记忆 |
maxpool |
将数据池设置为最大值 |
maxunpool |
取消最大池操作的输出池 |
均方误差 |
半均匀的误差 |
线性整流函数(Rectified Linear Unit) |
应用整流的线性单元激活 |
乙状结肠 |
适用SIGMOID激活 |
softmax |
将SoftMax激活应用于通道维度 |
剥离丁片 |
去掉dlarray. 标签 |
一种dlarray.
还允许用于数字,矩阵和其他操作的功能。查看完整列表支持dlarray的函数列表金宝app.
一种Dlgradient.
呼叫必须在函数内。要获得渐变的数值,必须使用函数评估使用dlfeval
,函数的论点必须是一个dlarray.
.看到在深度学习工具箱中使用自动差异化.
要正确计算梯度,dlfeval
必须调用仅使用支持函数的函数金宝appdlarray.
.看到支持dlarray的函数列表金宝app.