image3dInputLayer

三维图像输入层

全部展开页面

描述

三维图像输入层将三维图像或体积输入到网络并应用数据规范化。

对于二维图像输入，使用imageInputLayer．

创建

语法

层= image3dInputLayer (inputSize)

layer=image3dInputLayer（输入大小、名称、值）

描述

层=image3dInputLayer(输入大小）返回一个3d图像输入层并指定输入大小财产。

例子

层=image3dInputLayer(输入大小，名称,值）使用名称-值对设置可选属性。可以指定多个名称-值对。将每个属性名称用单引号括起来。

属性

全部展开

三维图像输入

`输入大小`- - - - - -输入的大小
整数行向量

输入数据的大小，指定为整数行向量[参考译文],在那里h，w，d和c分别对应于通道的高度、宽度、深度和数量。

对于灰度输入，指定一个向量c等于1．
对于RGB输入，指定一个向量c等于3.．
对于多光谱或高光谱输入，指定一个向量c等于通道的数量。

对于二维图像输入，使用imageInputLayer．

例子：[132 132 116 3]

`规范化`- - - - - -数据归一化
`“zerocenter”`(默认)|`“zscore”`|`“rescale-symmetric”`|`“rescale-zero-one”`|`“没有”`|函数处理

每次数据通过输入层向前传播时应用的数据规范化，指定为以下其中之一:

“zerocenter”-减去指定的平均值意思是．
“zscore”-减去指定的平均值意思是除以标准差．
“rescale-symmetric”—使用指定的最小值和最大值重新缩放输入，使其在[- 1,1]范围内最小值和马克斯,分别。
“rescale-zero-one”—使用指定的最小值和最大值重新缩放输入，使其在[0,1]范围内最小值和马克斯,分别。
“没有”-不要规范化输入数据。
function handle—使用指定的函数对数据进行规范化。功能必须是形式的Y = func (X),在那里X是输入数据和输出数据吗Y是标准化数据。

提示

默认情况下，软件会自动计算训练时间的归一化统计。为节省训练时的时间，指定规范化所需的统计信息并设置“ResetInputNormalization”选择权培训选项来假．

`NormalizationDimension`- - - - - -归一化维数
`“汽车”`(默认)|`“频道”`|`“元素”`|`“所有”`

归一化尺寸，指定为下列尺寸之一:

“汽车”—如果培训选项是假然后指定任何标准化统计量(意思是，标准差，最小值,或马克斯)，然后对与统计信息匹配的维度进行规格化。否则，在训练时重新计算统计信息并应用通道规格化。
“频道”–通道方面的标准化。
“元素”——Element-wise正常化。
“所有”–使用标量统计标准化所有值。

数据类型:烧焦|字符串

`意思是`- - - - - -零中心和z分数归一化的平均值
`[]`(默认)|四维阵列|数值标量

零中心和z分数标准化的平均值，指定为h-借-w-借-d-借-c数组，一个1乘1乘1的数组-c每个通道的平均值数组、数值标量或[],在那里h，w，d和c分别对应通道的高度、宽度、深度和数量的平均值。

如果指定意思是那么财产呢规范化必须是“zerocenter”或“zscore”．如果意思是是[]，然后软件计算训练时的平均值。

您可以在不进行培训的情况下创建网络时设置此属性(例如，使用装配网络）.

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

`标准差`- - - - - -z评分标准化的标准偏差
`[]`(默认)|四维阵列|数值标量

z分数标准化的标准偏差，指定为h-借-w-借-d-借-c数组，一个1乘1乘1的数组-c每个通道的平均值数组、数值标量或[],在那里h，w，d和c分别对应通道的高度、宽度、深度和数量的标准差。

如果指定标准差那么财产呢规范化必须是“zscore”．如果标准差是[]，然后软件计算训练时的标准差。

您可以在不进行培训的情况下创建网络时设置此属性(例如，使用装配网络）.

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

`最小值`- - - - - -重新缩放的最小值
`[]`(默认)|四维阵列|数值标量

重新缩放的最小值，指定为h-借-w-借-d-借-c数组，一个1乘1乘1的数组-c每个通道、数字标量或最小值的数组[],在那里h，w，d和c分别对应最小通道的高度、宽度、深度和通道数量。

如果指定最小值那么财产呢规范化必须是“rescale-symmetric”或“rescale-zero-one”．如果最小值是[]，然后软件计算训练时的最小值。

您可以在不进行培训的情况下创建网络时设置此属性(例如，使用装配网络）.

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

`马克斯`- - - - - -用于重新缩放的最大值
`[]`(默认)|四维阵列|数值标量

重新缩放的最大值，指定为h-借-w-借-d-借-c数组，一个1乘1乘1的数组-c每个通道、数字标量或最大值的数组[],在那里h，w，d和c分别对应最大值的高度、宽度、深度和通道数。

如果指定最小值那么财产呢规范化必须是“rescale-symmetric”或“rescale-zero-one”．如果马克斯是[]，然后软件计算在训练时的最大值。

您可以在不进行培训的情况下创建网络时设置此属性(例如，使用装配网络）.

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

层

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

层名称，指定为字符向量或字符串标量。对于层数组输入,trainNetwork，装配网络，分层图和数据链路网络函数会自动将名称指定给具有的名字设置为＇＇．

数据类型:烧焦|字符串

`努明普茨`- - - - - -输入数
0（默认）

层的输入数。层没有输入。

数据类型:双

`输入名称`- - - - - -输入名字
`{}`（默认）

输入图层的名称。该图层没有输入。

数据类型:单间牢房

`NumOutputs`- - - - - -数量的输出
`1`（默认）

此属性是只读的。

层的输出数。此层只有一个输出。

数据类型:双

`输出名称`- - - - - -输出名称
`{“出”}`（默认）

此属性是只读的。

层的输出名称。此层只有一个输出。

数据类型:单间牢房

例子

全部崩溃

创建三维图像输入层

打开实时脚本

为带有名称的132 × 132 × 116彩色3d图像创建一个3d图像输入层“输入”．默认情况下，该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归一化。

图层=image3dInputLayer（[132 116]，“名字”，“输入”）

layer=Image3DInputLayer，属性：名称：'input'InputSize:[132 132 116 1]超参数规格化：'zerocenter'规格化维度：'auto'平均值：[]

将三维图像输入层包含在层数组中。

层=[image3dInputLayer（[28 3]）卷积3DLayer（5,16，“步”4) reluLayer maxPooling3dLayer (2“步”，4) softmaxLayer (10) softmaxLayer classificationLayer

layers=7x1层阵列，带层：1''三维图像输入28x28x28x28x3图像，带“零中心”归一化2''卷积16 5x5x5卷积，带跨距[4 4 4]和填充[0 0 0；0 0 0 0]3''ReLU ReLU 4''3-D最大池2x2x2最大池，带跨距[4 4]和填充[0 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

全部展开

`AverageImage`财产将被移除

不建议从R2019b开始

AverageImage将被删除。使用意思是代替。要更新代码，请替换AverageImage与意思是．需要对代码进行额外更新的属性之间没有区别。

`imageInputLayer`和`image3dInputLayer`，默认情况下，使用通道规格化

未来版本中的行为更改

从R2019b开始，imageInputLayer和image3dInputLayer，默认情况下，使用通道方向的规范化。在以前的版本中，这些层使用元素方向的规范化。要重现这种行为，请设置NormalizationDimension这些层的选项“元素”．

另请参阅

主题

介绍了R2019a

image3dInputLayer

描述

创建

语法

描述

属性

三维图像输入

`输入大小`- - - - - -输入的大小
整数行向量

`规范化`- - - - - -数据归一化
`“zerocenter”`(默认)|`“zscore”`|`“rescale-symmetric”`|`“rescale-zero-one”`|`“没有”`|函数处理

`NormalizationDimension`- - - - - -归一化维数
`“汽车”`(默认)|`“频道”`|`“元素”`|`“所有”`

`意思是`- - - - - -零中心和z分数归一化的平均值
`[]`(默认)|四维阵列|数值标量

`标准差`- - - - - -z评分标准化的标准偏差
`[]`(默认)|四维阵列|数值标量

`最小值`- - - - - -重新缩放的最小值
`[]`(默认)|四维阵列|数值标量

`马克斯`- - - - - -用于重新缩放的最大值
`[]`(默认)|四维阵列|数值标量

层

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

`努明普茨`- - - - - -输入数
0（默认）

`输入名称`- - - - - -输入名字
`{}`（默认）

`NumOutputs`- - - - - -数量的输出
`1`（默认）

`输出名称`- - - - - -输出名称
`{“出”}`（默认）

例子

创建三维图像输入层

兼容性考虑

`AverageImage`财产将被移除

`imageInputLayer`和`image3dInputLayer`，默认情况下，使用通道规格化

另请参阅

主题

深度学习工具箱文档

金宝app

MATLABで始めるディープラーニング

image3dInputLayer

描述

创建

语法

描述

属性

三维图像输入

输入大小- - - - - -输入的大小整数行向量

规范化- - - - - -数据归一化“zerocenter”(默认)|“zscore”|“rescale-symmetric”|“rescale-zero-one”|“没有”|函数处理

NormalizationDimension- - - - - -归一化维数“汽车”(默认)|“频道”|“元素”|“所有”

意思是- - - - - -零中心和z分数归一化的平均值[](默认)|四维阵列|数值标量

标准差- - - - - -z评分标准化的标准偏差[](默认)|四维阵列|数值标量

最小值- - - - - -重新缩放的最小值[](默认)|四维阵列|数值标量

马克斯- - - - - -用于重新缩放的最大值[](默认)|四维阵列|数值标量

层

的名字- - - - - -层的名字＇＇(默认)|特征向量|字符串标量

努明普茨- - - - - -输入数0（默认）

输入名称- - - - - -输入名字{}（默认）

NumOutputs- - - - - -数量的输出1（默认）

输出名称- - - - - -输出名称{“出”}（默认）

例子

创建三维图像输入层

兼容性考虑

AverageImage财产将被移除

imageInputLayer和image3dInputLayer，默认情况下，使用通道规格化

另请参阅

主题

深度学习工具箱文档

金宝app

MATLABで始めるディープラーニング

`输入大小`- - - - - -输入的大小
整数行向量

`规范化`- - - - - -数据归一化
`“zerocenter”`(默认)|`“zscore”`|`“rescale-symmetric”`|`“rescale-zero-one”`|`“没有”`|函数处理

`NormalizationDimension`- - - - - -归一化维数
`“汽车”`(默认)|`“频道”`|`“元素”`|`“所有”`

`意思是`- - - - - -零中心和z分数归一化的平均值
`[]`(默认)|四维阵列|数值标量

`标准差`- - - - - -z评分标准化的标准偏差
`[]`(默认)|四维阵列|数值标量

`最小值`- - - - - -重新缩放的最小值
`[]`(默认)|四维阵列|数值标量

`马克斯`- - - - - -用于重新缩放的最大值
`[]`(默认)|四维阵列|数值标量

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

`努明普茨`- - - - - -输入数
0（默认）

`输入名称`- - - - - -输入名字
`{}`（默认）

`NumOutputs`- - - - - -数量的输出
`1`（默认）

`输出名称`- - - - - -输出名称
`{“出”}`（默认）

`AverageImage`财产将被移除

`imageInputLayer`和`image3dInputLayer`，默认情况下，使用通道规格化