Convolution2Dlayer.

二维卷积层

在第页中展开全部

描述

2-D卷积层将滑动卷积滤波器应用于2-D输入。该图层通过垂直和水平沿输入沿输入和计算重量和输入的点乘积来使滤波器旋转输入，然后添加偏置术语。

创造

语法

第=卷积2dlayer（过滤，numfilters）

tillay = Convolution2dlayer（过滤，NumFilters，名称，值）

描述

层=卷积层(filterSize，numFilters）创建二维卷积层并设置FilterSize和NumFilters特性。

例子

层=卷积层(filterSize，numFilters，名称,值）设置可选大步走，稀释物料，NumChannels，参数和初始化，学习率和正规化，和名称属性使用名称值对。要指定输入填充，请使用'填充'名称-值对参数。例如，卷积2层（11,96，'跨步'，4，'填充'，1）创建一个带有96个滤镜的2d卷积层(11 11)一大步[4 4]，以及沿图层输入的所有边缘大小为1的填充。可以指定多个名称-值对。将每个属性名用单引号括起来。

输入参数

展开全部

名称-值对的观点

使用逗号分隔的名称-值对参数指定要沿图层输入边缘添加的填充大小或设置大步走，稀释物料，NumChannels，参数和初始化，学习率和正规化，和名称属性。将名称用单引号括起来。

例子：convolution2dLayer(16日“填充”,“相同”)创建一个带有16个大小过滤器的2d卷积层[3 3]和'相同的'填充。在训练时，软件计算并设置填充的大小，使层输出的大小与输入的大小相同。

`填充`- - - - - -输入边填充
`[0 0 0 0]`（默认）|非负整数矢量|`'相同的'`

输入边缘填充，指定为逗号分隔对'填充'其中一个价值观是:

'相同的'-增加软件在训练或预测时计算的大小填充，使步幅等于1时输出的大小与输入的大小相同。如果步幅大于1，则输出大小为装天花板(inputSize /步)，在哪里输入输入的高度或宽度和宽度步是相应维度中的步幅。如果可能，软件会在顶部和底部以及左侧和右侧添加相同数量的填充。如果必须垂直添加的填充具有奇数值，则软件会在底部添加额外填充。如果必须水平添加的填充具有奇数值，则软件会在右侧重新添加额外的填充。
非负整数p-添加大小填充p到输入的所有边缘。
向量[A B]非负整数-添加大小填充一个到输入和填充的顶部和底部大小b到左右。
向量[t b l r]非负整数-添加大小填充t到顶部，b到底,，l向左，和r在输入的右侧。

例子：“填充”，1在输入的顶部和底部添加一行填充，在左侧和右侧添加一列填充。

例子：'填充'，'同样'添加填充，使得输出具有与输入相同的大小（如果步幅等于1）。

性质

展开全部

卷积

`FilterSize`- - - - - -过滤器的高度和宽度
两个正整数的向量

过滤器的高度和宽度，指定为向量[w h]两个正整数，在哪里h是高度和w宽度。FilterSize定义输入中神经元连接到的局部区域的大小。

在创建图层时，可以指定FilterSize作为标量使用相同的值作为高度和宽度。

例子：5 [5]指定高度和宽度分别为5和5的过滤器。

`NumFilters`- - - - - -数量的过滤器
正整数

此属性是只读的。

筛选器数量，指定为正整数。该数字对应于连接到输入中的相同区域的卷积层中的神经元数。此参数确定卷积层输出中的通道（特征映射）的数量。

数据类型：仅有一个的|双倍的|INT8.|int16|INT32.|INT64.|uint8|uint16|uint32|uint64

`大步走`- - - - - -遍历输入的步长
`[1 1]`（默认）|两个正整数的向量

垂直和水平遍历输入的步长，指定为向量[A B]两个正整数，在哪里一个是垂直步长和b为水平步长。在创建图层时，可以指定大步走作为标量，对两步长使用相同的值。

例子：3 [2]指定垂直步长为2，水平步长为3。

`稀释物料`- - - - - -扩张卷积的因子
`[1 1]`（默认）|两个正整数的向量

扩展卷积的因子(也称为无卷积)，指定为矢量[w h]两个正整数，在哪里h是垂直扩张和w是水平膨胀。创建层时，可以指定稀释物料作为标量以适用于水平和垂直扩张的相同值。

使用扩大的卷积来增加该层的感受野（该层可以看到的输入区域），而不增加参数或计算的数量。

通过在每个滤波器元件之间插入零来扩展滤波器。扩张因子确定用于采样输入的步骤或等效地对滤波器的上采样因子进行采样。它对应于有效的滤波器大小（过滤器的大小- 1) *膨胀系数+1.例如，具有膨胀因子的3×3滤波器[2 2]相当于一个元素之间为零的5 × 5滤波器。

例子：3 [2]

`填充尺寸`- - - - - -大小的填充
`[0 0 0 0]`（默认）|四个非负整数的向量

应用于输入边框的填充大小，指定为矢量[t b l r]四个非负整数，其中t填充是施加到顶部的，b是底部的填充物，l填充是否应用于左侧，和r是应用到右边的填充。

当你创建一个图层时，使用'填充'用于指定填充大小的名称-值对参数。

例子：[1 1 2 2]在输入的顶部和底部添加一行填充，并在输入的左侧和右侧添加两列填充。

`PaddingMode`- - - - - -确定填充大小的方法
`'手动的'`（默认）|`'相同的'`

确定填充大小的方法，指定为'手动的'或者'相同的'．

该软件自动设置值PaddingMode基于这一点'填充'在创建图层时指定的值。

如果你设定'填充'选项为标量或非负整数向量，则软件自动设置PaddingMode到'手动的'．
如果你设定'填充'选项'相同的'，则软件自动设定PaddingMode到'相同的'并计算训练时填充的大小，使stride等于1时输出的大小与输入的大小相同。如果步幅大于1，则输出大小为装天花板(inputSize /步)，在哪里输入输入的高度或宽度和宽度步是相应维度中的步幅。如果可能，软件会在顶部和底部以及左侧和右侧添加相同数量的填充。如果必须垂直添加的填充具有奇数值，则软件会在底部添加额外填充。如果必须水平添加的填充具有奇数值，则软件会在右侧重新添加额外的填充。

`填充`- - - - - -大小的填充
`[0 0]`（默认）|两个非负整数矢量

请注意

填充财产将在将来的释放中删除。用填充尺寸反而。创建图层时，使用'填充'用于指定填充大小的名称-值对参数。

填充的大小垂直和水平地应用于输入边框，指定为矢量[A B]两个非负整数，其中一个填充是否应用于输入数据的顶部和底部b是应用于左边和右边的填充。

例子：[1 1]在输入的顶部和底部添加一行填充，在左侧和右侧添加一列填充。

`PaddingValue`- - - - - -值到填充数据
0（默认）|标量|`“symmetric-include-edge”`|`“对称排除边”`|`“复制”`

值来填充数据，指定为以下其中之一:

`PaddingValue`	描述	例子
标量子	用指定的标量值填充。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 3. & 1 & 4 & 0 & 0 \\ 0 & 0 & 1 & 5 & 9 & 0 & 0 \\ 0 & 0 & 2 & 6 & 5 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \end{matrix} ］$
`“symmetric-include-edge”`	焊盘使用镜像值的输入，包括边缘值。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \end{matrix} ］$
`“对称排除边”`	使用输入的镜像值（不包括边值）填充。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \end{matrix} ］$
`“复制”`	使用输入的重复边框元素填充	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 1 & 1 & 1 & 5 & 9 & 9 & 9 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \end{matrix} ］$

数据类型：仅有一个的|双倍的|INT8.|int16|INT32.|INT64.|uint8|uint16|uint32|uint64|char|一串

`NumChannels`- - - - - -每个滤波器的通道数
`“汽车”`（默认）|正整数

每个过滤器的通道数，指定为“汽车”或正整数。

此参数始终等于输入到卷积层的输入的通道数。例如，如果输入是彩色图像，则输入的通道数为3.如果在电流层之前的卷积层的滤波器的数量为16，则当前层的通道数为16．

如果NumChannels是“汽车”，然后软件确定培训时间的通道数。

例子：256

参数和初始化

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

初始化权重的功能，指定为以下内容之一：

“glorot”-使用gloria初始化器初始化权重［4］(也称为Xavier初始化器)。格洛特初始化器从均值和方差均为零的均匀分布中独立抽样2 / (numIn + numOut)，在哪里numin = filtersize（1）* filtersize（2）* numchannels和numOut = FilterSize (1) * FilterSize (2) * NumFilters．
“他”-使用He初始化器初始化权值［5］.He初始值设定项从均值和方差为零的正态分布中采样2 / numIn，在哪里numin = filtersize（1）* filtersize（2）* numchannels．
'窄正常'- 通过独立从正常分布采样，零平均值和标准偏差0.01来初始化权重。
“零”—初始化权值为0。
“的”—使用“1”初始化权重。
函数句柄——用自定义函数初始化权重。如果指定函数句柄，则该函数必须是这种形式的重量= func(深圳)，在哪里深圳是重量的大小。例如，看到指定自定义权重初始化函数．

该图层仅初始化权重权重属性是空的。

数据类型：char|一串|function_handle

`偏见初始化器`- - - - - -函数初始化偏差
`“零”`（默认）|`'窄正常'`|`“的”`|函数处理

函数初始化偏差，指定为以下任意一个:

“零”- 用零初始化偏差。
“的”- 初始化偏差。
'窄正常'- 通过从正常分布的自主分布采样，零平均值和标准偏差0.01，初始化偏差。
函数句柄——用自定义函数初始化偏差。如果指定函数句柄，则该函数必须是这种形式的BIAS = FUNC（SZ），在哪里深圳是偏见的大小。

该层仅在偏见属性是空的。

数据类型：char|一串|function_handle

`权重`- - - - - -层重量
`[]`（默认）|数字数组

卷积层的层权重，指定为数字数组。

层权重是可学习参数。您可以直接指定权重的初始值权重属性的层。当你训练一个网络，如果权重层的属性为非空，则trainNetwork用来权重属性作为初始值。如果权重属性为空trainNetwork使用指定的初始化程序WeightsInitializer属性的层。

在培训时,权重是一个过滤（1）-经过-FilterSize (2)-经过-NumChannels-经过-NumFilters数组中。

数据类型：仅有一个的|双倍的

`偏见`- - - - - -层的偏见
`[]`（默认）|数字数组

卷积层的层偏差，指定为数字数组。

层偏差是可学习的参数。当你训练一个网络，如果偏见那么，它是非空的trainNetwork用来偏见属性作为初始值。如果偏见是空的,然后trainNetwork使用指定的初始化程序偏见初始化器．

在培训时,偏见这是一个1乘1的座位-NumFilters数组中。

数据类型：仅有一个的|双倍的

学习率和正规化

`加权比率因子`- - - - - -权重的学习率因子
`1`（默认）|负的标量

权值的学习率因子，指定为非负标量。

该软件通过全局学习速率乘以此因素来确定该层中权重的学习率。例如，如果加权比率因子是2，则该层权重的学习率为当前全局学习率的两倍。该软件根据您指定的设置来确定全局学习率培训选项函数。

数据类型：仅有一个的|双倍的|INT8.|int16|INT32.|INT64.|uint8|uint16|uint32|uint64

`BiasLearnRateFactor`- - - - - -偏差的学习率系数
`1`（默认）|负的标量

偏差的学习率因子，指定为非负标量。

软件将该系数乘以全局学习率，以确定该层中偏差的学习率。例如，如果BiasLearnRateFactor是2，则该层偏差的学习率是当前全局学习率的两倍。该软件根据您指定的设置来确定全局学习率培训选项函数。

数据类型：仅有一个的|双倍的|INT8.|int16|INT32.|INT64.|uint8|uint16|uint32|uint64

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

l₂权值的正则化因子，指定为非负标量。

软件将此因素乘以全局l₂正则化因子的确定l₂对该层中的重量进行正则化。例如，如果WeightL2Factor是2，然后l₂此图层中重量的正则化是全局的两倍l₂正则化因子。您可以指定全局l₂正则化因子使用培训选项函数。

数据类型：仅有一个的|双倍的|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。

软件将此因素乘以全局l₂正则化因子的确定l₂对该层中的偏差进行正常化。例如，如果BiasL2Factor是2，然后l₂这一层偏见的正规化程度是全球的两倍l₂正则化因子。您可以指定全局l₂正则化因子使用培训选项函数。

数据类型：仅有一个的|双倍的|INT8.|int16|INT32.|INT64.|uint8|uint16|uint32|uint64

层

`名称`- - - - - -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trainNetwork，assembleNetwork，分层图，和dlnetwork.函数自动为层分配名称名称设置为＇＇．

数据类型：char|一串

`numinputs.`- - - - - -输入数量
`1`（默认）

此属性是只读的。

层的输入数。这一层只接受单个输入。

数据类型：双倍的

`InputNames`- - - - - -输入名称
`{'在'}`（默认）

此属性是只读的。

输入层名。这一层只接受单个输入。

数据类型：细胞

`NumOutputs`- - - - - -输出数量
`1`（默认）

此属性是只读的。

层输出的数量。这一层只有一个输出。

数据类型：双倍的

`OutputNames`- - - - - -输出的名字
`{'出去'}`（默认）

此属性是只读的。

图层的输出名称。这一层只有一个输出。

数据类型：细胞

例子

全部折叠

创建卷积层

打开直播脚本

创建一个包含96个过滤器的卷积层，每个过滤器的高度和宽度为11。在水平和垂直方向上使用4的步幅（步长）。

96年层= convolution2dLayer(11日“步”4)

layer = Convolution2DLayer with properties: Name: " Hyperparameters FilterSize: [11 11] NumChannels: 'auto' NumFilters: 96 Stride: [4 4] DilationFactor: [11] PaddingMode: 'manual' PaddingSize: [0 0 0] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

中包含一个卷积层层数组中。

[imageInputLayer([28 28 1])卷积2dlayer (5,20) reluLayer maxPooling2dLayer(2, 20))“步”，2) fulllyconnectedlayer (10) softmaxLayer classifier]

图层= 7x1层阵列，图层：1''图像输入28x28x1图像与'zerocenter'归一化2''卷积20 5x5卷积与步幅[1 1]和填充[0 0 0 0] 3''Relu Relu 4''Max汇集2x2 max汇集步进[2 2]和填充[0 0 0 0] 5''完全连接的10完全连接的第6层''softmax softmax 7''分类输出crossentropyex

指定卷积层中的初始权重和偏差

打开直播脚本

要指定权重和偏差初始值设定项函数，请使用WeightsInitializer和偏见初始化器属性分别。要直接指定权重和偏差，请使用权重和偏见属性分别。

指定初始化功能

创建一个带有32个过滤器的卷积层，每个过滤器的高度和宽度都为5，并指定权重初始化器为He初始化器。

filterSize = 5;numFilters = 32;tillay =卷积2dlayer（过滤，numfilters，...“WeightsInitializer”，“他”）

图层=具有属性的卷积2dlayer：'''''Quand参数过滤：[5 5] NumChannels：'Auto'NumFilters：32步部：[1 1]膨胀物料：[1] PaddingMode：'手动'拼接：[0 0 0]PaddingSvalue：0 Learnable参数权重：[]偏置：[]显示所有属性

请注意,权重和偏见属性是空的。在训练时，软件使用指定的初始化函数初始化这些属性。

指定自定义初始化函数

要为权重和偏差指定自己的初始化函数，请设置WeightsInitializer和偏见初始化器属性设置为函数句柄。对于这些属性，指定将权重和偏差的大小作为输入和输出初始化值的函数句柄。

使用32个过滤器创建卷积层，每个滤波器为5，5个，并指定从高斯分布中采样权重和偏置的初始化器，标准偏差为0.0001。

filterSize = 5;numFilters = 32;tillay =卷积2dlayer（过滤，numfilters，...“WeightsInitializer”， @(sz) rand(sz) * 0.0001，...“BiasInitializer”， @(sz) rand(sz) * 0.0001)

图层=具有属性的卷积2dlayer：'''''Quand参数过滤：[5 5] NumChannels：'Auto'NumFilters：32步部：[1 1]膨胀物料：[1] PaddingMode：'手动'拼接：[0 0 0]PaddingSvalue：0 Learnable参数权重：[]偏置：[]显示所有属性

再一次,权重和偏见属性是空的。在训练时，软件使用指定的初始化函数初始化这些属性。

直接指定权重和偏差

创建一个完全连接的图层，输出大小为10，并设置重量和偏置W和b在MAT文件中conv2dweights.mat.分别。

filterSize = 5;numFilters = 32;负载Conv2dWeightstillay =卷积2dlayer（过滤，numfilters，...“重量”W,...“偏见”, b)

图层=具有属性的卷积2dlayer：'''''''Quand参数过滤：[5 5] NumChannels：3 NumFilters：32步（32步）：[1] DilationFactor：[1] PaddingMode：'手动'Paddingsize：[0 0 0] PaddingValue：0可学习参数权重：[5x5x3x32双]偏置：[1x1x32双]显示所有属性

在这里,权重和偏见属性包含指定的值。在培训时间，如果这些属性是非空的，则软件将指定的值用作初始权重和偏差。在这种情况下，该软件不使用初始化器功能。

创建完全覆盖输入的卷积层

打开直播脚本

假设输入的大小为28×28×1。创建一个包含16个过滤器的卷积层，每个过滤器的高度为6，宽度为4。将水平和垂直跨距设置为4。

确保卷积完全涵盖输入。对于完全覆盖输入的卷积，水平和垂直输出尺寸都必须是整数。对于水平输出维度为整数，图像的顶部和底部需要一行填充：（28 - 6+ 2 * 1）/ 4 + 1 = 7.对于垂直输出维度为整数，不需要零填充：（28 - 4+ 2 * 0）/ 4 + 1 = 7。

构建卷积层。

layer = convolution2dLayer([6 4]，16，“步”4'填充'，[1 0]）

layer = Convolution2DLayer with properties: Name: " Hyperparameters FilterSize: [6 4] NumChannels: 'auto' NumFilters: 16 Stride: [4 4] DilationFactor: [1 1] PaddingMode: 'manual' PaddingSize: [1 1 0] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

兼容性考虑因素

展开全部

默认权重初始化是gloria

行为在R2019a中改变

从R2019a开始，软件默认使用gloria初始化器初始化该层的层权值。这种行为有助于稳定训练，通常减少深度网络的训练时间。

在以前的版本中，默认情况下，该软件通过从正常分布采样，零平均值和方差0.01，通过采样来初始化层权重。重现此行为，设置“WeightsInitializer”层选择'窄正常'．

参考文献

莱昆，Y. B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard，和L. D. jackkel。“基于反向传播网络的手写数字识别”在神经信息处理系统的进展2(杜雷兹基编)。旧金山:摩根·考夫曼，1990年。

勒昆(LeCun)、L.博图(L. Bottou)、Y.本吉奥(Y. Bengio)和P. Haffner。“梯度学习在文档识别中的应用”。IEEE论文集．1998年第86卷第11期，第2278-2324页。

[3] 墨菲，K.P。机器学习：一个概率的视角．马萨诸塞州剑桥:麻省理工学院出版社，2012。

[4] Glorot，Xavier和Yoshua Bengio。“了解训练深馈神经网络的难度。”在第十三国际人工智能和统计国际会议的诉讼程序, 249 - 356。撒丁岛，意大利:AISTATS, 2010。

[5]他，Kaiming，湘雅张，邵庆仁，剑孙。“深入研究整流器：超越了在想象集分类上的人力水平表现。”在2015 IEEE计算机视觉国际会议论文集，1026-1034。华盛顿特区：IEEE计算机视觉协会，2015年。

扩展能力

C / C ++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用说明和限制：

对于代码生成，PaddingValue参数必须等于0，这是默认值。

GPU代码生成
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。

使用说明和限制：

对于代码生成，PaddingValue参数必须等于0，这是默认值。

另请参阅

主题

介绍了R2016a

^［1］图片来源:卷积算法（许可证）

Convolution2Dlayer.

描述

创造

语法

描述

输入参数

填充- - - - - -输入边填充[0 0 0 0]（默认）|非负整数矢量|'相同的'

性质

卷积

FilterSize- - - - - -过滤器的高度和宽度两个正整数的向量

NumFilters- - - - - -数量的过滤器正整数

大步走- - - - - -遍历输入的步长[1 1]（默认）|两个正整数的向量

稀释物料- - - - - -扩张卷积的因子[1 1]（默认）|两个正整数的向量

填充尺寸- - - - - -大小的填充[0 0 0 0]（默认）|四个非负整数的向量

PaddingMode- - - - - -确定填充大小的方法'手动的'（默认）|'相同的'

填充- - - - - -大小的填充[0 0]（默认）|两个非负整数矢量

PaddingValue- - - - - -值到填充数据0（默认）|标量|“symmetric-include-edge”|“对称排除边”|“复制”

NumChannels- - - - - -每个滤波器的通道数“汽车”（默认）|正整数

参数和初始化

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

偏见初始化器- - - - - -函数初始化偏差“零”（默认）|'窄正常'|“的”|函数处理

权重- - - - - -层重量[]（默认）|数字数组

偏见- - - - - -层的偏见[]（默认）|数字数组

学习率和正规化

加权比率因子- - - - - -权重的学习率因子1（默认）|负的标量

BiasLearnRateFactor- - - - - -偏差的学习率系数1（默认）|负的标量

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

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

层

名称- - - - - -层的名字＇＇（默认）|特征向量|字符串标量

numinputs.- - - - - -输入数量1（默认）

InputNames- - - - - -输入名称{'在'}（默认）

NumOutputs- - - - - -输出数量1（默认）

OutputNames- - - - - -输出的名字{'出去'}（默认）

例子

创建卷积层

指定卷积层中的初始权重和偏差

创建完全覆盖输入的卷积层

更多关于

卷积层

兼容性考虑因素

默认权重初始化是gloria

参考文献

扩展能力

C / C ++代码生成使用MATLAB®Coder™生成C和c++代码。

GPU代码生成使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。

另请参阅

主题

深度学习工具箱文档

金宝app

与Matlab引入深度学习

`填充`- - - - - -输入边填充
`[0 0 0 0]`（默认）|非负整数矢量|`'相同的'`

`FilterSize`- - - - - -过滤器的高度和宽度
两个正整数的向量

`NumFilters`- - - - - -数量的过滤器
正整数

`大步走`- - - - - -遍历输入的步长
`[1 1]`（默认）|两个正整数的向量

`稀释物料`- - - - - -扩张卷积的因子
`[1 1]`（默认）|两个正整数的向量

`填充尺寸`- - - - - -大小的填充
`[0 0 0 0]`（默认）|四个非负整数的向量

`PaddingMode`- - - - - -确定填充大小的方法
`'手动的'`（默认）|`'相同的'`

`填充`- - - - - -大小的填充
`[0 0]`（默认）|两个非负整数矢量

`PaddingValue`- - - - - -值到填充数据
0（默认）|标量|`“symmetric-include-edge”`|`“对称排除边”`|`“复制”`

`NumChannels`- - - - - -每个滤波器的通道数
`“汽车”`（默认）|正整数

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

`偏见初始化器`- - - - - -函数初始化偏差
`“零”`（默认）|`'窄正常'`|`“的”`|函数处理

`权重`- - - - - -层重量
`[]`（默认）|数字数组

`偏见`- - - - - -层的偏见
`[]`（默认）|数字数组

`加权比率因子`- - - - - -权重的学习率因子
`1`（默认）|负的标量

`BiasLearnRateFactor`- - - - - -偏差的学习率系数
`1`（默认）|负的标量

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

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

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

`numinputs.`- - - - - -输入数量
`1`（默认）

`InputNames`- - - - - -输入名称
`{'在'}`（默认）

`NumOutputs`- - - - - -输出数量
`1`（默认）

`OutputNames`- - - - - -输出的名字
`{'出去'}`（默认）

C / C ++代码生成
使用MATLAB®Coder™生成C和c++代码。

GPU代码生成
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。