技术标签: matlab DeepLearning工具箱 深度学习 开发语言
2-D 卷积层
2-D 卷积层将滑动卷积滤波器应用于 2-D 输入。该层通过沿输入方向垂直和水平移动滤波器并计算权重和输入的点积,然后添加偏置项来卷积输入。
layer = convolution2dLayer(filterSize,numFilters)
layer = convolution2dLayer(filterSize,numFilters,Name,Value)
layer = convolution2dLayer(filterSize,numFilters)
创建一个 2-D 卷积层,并设置 FilterSize
和 NumFilters
属性。
名称-值对参数
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的大小,或设置 参数和初始化、学习速率和正则化以及名称
属性。将名称括在单引号中。Stride``DilationFactor``NumChannels
示例:convolution2dLayer(3,16,'Padding','same')
创建了一个2-D卷积层,其中包含16个大小为[3 3]
的过滤器和“相同”
的填充。在训练时,软件计算并设置填充的大小,以便图层输出具有与输入相同的大小。
Padding
— 输入边填充 [0 0 0 0]
(默认) |非负整数的向量 |“相同”
输入边填充,指定为由以下值之一组成的逗号分隔对:'Padding'
'same'
— 添加软件在训练或预测时计算的大小填充,以便在步幅等于 1 时输出与输入具有相同的大小。如果步幅大于 1,则输出大小为 ceil(inputSize/stride),
其中 inputSize
是输入的高度或宽度,步幅
是相应维度中的步幅。如果可能的话,该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的填充。如果必须水平添加的填充具有奇数值,则软件会在右侧添加额外的填充。p``p
[a b]``a``b
[t b l r]``t``b``l``r
**示例:**在输入的顶部和底部添加一行填充,在输入的左侧和右侧添加一列填充。'Padding',1
**示例:**添加填充,使输出与输入具有相同的大小(如果步幅等于 1)。'Padding','same'
FilterSize
— 两个正整数的滤波器 向量的高度和宽度筛选器的高度和宽度,指定为两个正整数的向量,其中 是高度,是宽度。 定义输入中神经元连接到的局部区域的大小。[h w]``h``w``FilterSize
创建图层时,可以指定为标量以使用相同的高度和宽度值。FilterSize
**示例:**指定高度为 5、宽度为 5 的筛选器。[5 5]
NumFilters
— 滤波器 数量正整数此属性是只读的。
筛选器数,指定为正整数。此数字对应于卷积层中连接到输入中相同区域的神经元数。此参数确定卷积层输出中的通道数(特征映射)。
数据类型: | single
|double
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|
Stride
— 遍历输入 的步长 [1 1]
(默认)|两个正整数的向量用于垂直和水平遍历输入的步长,指定为两个正整数的向量,其中是垂直步长,是水平步长。创建图层时,可以指定为标量,以便对两个步长使用相同的值。[a b]``a``b``Stride
**示例:**指定垂直步长 2,水平步长指定 3。[2 3]
DilationFactor
— 膨胀卷 积因子 [1 1]
(默认)|两个正整数的向量膨胀卷积因子(也称为 atrous convolution),指定为两个正整数的向量,其中是垂直膨胀,是水平膨胀。创建图层时,可以指定为标量,以便对水平和垂直扩张使用相同的值。[h w]``h``w``DilationFactor
使用膨胀卷积来增加层的接受场(层可以看到的输入面积),而不增加参数或计算的数量。
该层通过在每个滤镜元素之间插入零来扩展滤镜。膨胀因子决定了对输入进行采样的步长,或者等效地决定了滤波器的上采样因子。它对应于有效过滤器尺寸(过滤器尺寸 – 1).*膨胀因子+ 1。例如,具有膨胀因子的 3 x 3 滤波器等效于元素之间为零的 5 x 5 滤波器。[2 2]
例:[2 3]
PaddingSize
— 填充 大小 [0 0 0 0]
(默认值) |四个非负整数的向量应用于输入边框的填充大小,指定为四个非负整数的向量,其中应用于顶部的填充、应用于底部的填充、应用于左侧的填充以及应用于右侧的填充。`
创建图层时,请使用名称-值对参数指定填充大小。'Padding'
**示例:**在输入的顶部和底部添加一行填充,在输入的左侧和右侧添加两列填充。[1 1 2 2]
PaddingMode
— 确定填充大小 “手动”
(默认)|的方法“相同”
用于确定填充大小的方法,指定为 或 。'manual'``'same'
软件会根据您在创建图层时指定的值自动设置 的值。PaddingMode``'Padding'
'Padding'``PaddingMode``'manual'
ceil(inputSize/stride),
其中 inputSize
是输入的高度或宽度,步幅
是相应维度中的步幅。如果可能的话,该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的填充。如果必须水平添加的填充具有奇数值,则软件会在右侧添加额外的填充。'Padding'``'same'``PaddingMode``'same'
Padding
— 填充 大小 [0 0]
(默认值) |两个非负整数的向量注意
Padding`属性将在将来的版本中删除。请改用。创建图层时,请使用名称-值对参数指定填充大小。`PaddingSize``'Padding'
垂直和水平应用于输入边框的填充大小,指定为两个非负整数的向量,其中填充应用于输入数据的顶部和底部,以及应用于左侧和右侧的填充。[a b]``a``b
**示例:**在输入的顶部和底部添加一行填充,在输入的左侧和右侧添加一列填充。[1 1]
PaddingValue
— 值以填充数据 0(默认值)|标量|“对称包含边缘”
|“对称排除边缘”
|“复制”
要填充数据的值,指定为下列值之一:
PaddingValue |
描述 | 例 |
---|---|---|
标量 | 具有指定标量值的焊盘。 | [ 3 1 4 1 5 9 2 6 5 ] → [ 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 ] \begin{bmatrix} 3 & 1 & 4 \\ 1 & 5 & 9 \\ 2&6&5 \end{bmatrix}\rightarrow \begin{bmatrix} 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{bmatrix} ⎣⎡312156495⎦⎤→⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡0000000000000000312000015600004950000000000000000⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤ |
'symmetric-include-edge' |
使用输入的镜像值(包括边缘值)进行填充。 | [ 3 1 4 1 5 9 2 6 5 ] → [ 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 ] \begin{bmatrix} 3 & 1 & 4 \\ 1 & 5 & 9 \\ 2&6&5 \end{bmatrix}\rightarrow \begin{bmatrix} 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{bmatrix} ⎣⎡312156495⎦⎤→⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡5115665133122113312215115665944955994495595115665⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤ |
'symmetric-exclude-edge' |
使用输入的镜像值(不包括边缘值)进行填充。 | [ 3 1 4 1 5 9 2 6 5 ] → [ 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 ] \begin{bmatrix} 3 & 1 & 4 \\ 1 & 5 & 9 \\ 2&6&5 \end{bmatrix}\rightarrow \begin{bmatrix} 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{bmatrix} ⎣⎡312156495⎦⎤→⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡5949594651565121312136515651594959465156512131213⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤ |
'replicate' |
使用输入的重复边框元素进行填充 | [ 3 1 4 1 5 9 2 6 5 ] → [ 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 ] \begin{bmatrix} 3 & 1 & 4 \\ 1 & 5 & 9 \\ 2&6&5 \end{bmatrix}\rightarrow \begin{bmatrix} 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{bmatrix} ⎣⎡312156495⎦⎤→⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡3331222333122233312221115666444955544495554449555⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤ |
数据类型: | single
|double
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|char
|string
|
NumChannels
— 每个过滤器 “自动”
(默认)的通道数|正整数每个滤波器的通道数,指定为或正整数。'auto'
此参数始终等于卷积层输入的通道数。例如,如果输入是彩色图像,则输入的通道数为 3。如果当前层之前的卷积层的滤波器数为 16,则当前层的通道数为 16。
如果是 ,则软件确定训练时的通道数。NumChannels``'auto'
例: 256
WeightsInitializer
— 用于初始化权重 “glorot”
(默认)|“他”
|“窄正常”
|“零”
|“一”
|函数句柄用于初始化权重的函数,指定为以下值之一:
'glorot'
– 使用 Glorot 初始值设定项 [4](也称为 Xavier 初始值设定项)初始化权重。Glorot 初始值设定项独立地从均值和方差为零的均匀分布中采样,其中 和 。2/(numIn + numOut)``numIn = FilterSize(1)*FilterSize(2)*NumChannels``numOut = FilterSize(1)*FilterSize(2)*NumFilters
'he'
– 使用 He 初始值设定项 [5] 初始化权重。He 初始值设定项从均值和方差为零的正态分布中采样,其中 .2/numIn``numIn = FilterSize(1)*FilterSize(2)*NumChannels
'narrow-normal'
– 通过从均值为零且标准差为 0.01 的正态分布中独立采样来初始化权重。'zeros'
– 用零初始化权重。'ones'
– 用 1 初始化权重。weights = func(sz)``sz
仅当属性为空时,该层才会初始化权重。Weights
数据类型: char``string
|function_handle
BiasInitializer
— 初始化偏差 “零”
(默认)|“窄正常”
|“一”
|函数句柄用于初始化偏差的函数,指定为以下项之一:
'zeros'
– 用零初始化偏差。'ones'
– 用 1 初始化偏差。'narrow-normal'
– 通过从均值为零且标准差为 0.01 的正态分布中独立采样来初始化偏差。bias = func(sz)``sz
仅当属性为空时,该层才会初始化偏差。Bias
数据类型: char``string
|function_handle
Weights
— 图层权重 []
(默认)|数字数组卷积层的层权重,指定为数字数组。
层权重是可学习的参数。您可以直接使用图层的属性指定权重的初始值。训练网络时,如果图层的属性为非空,则 trainNetwork
会使用该属性作为初始值。如果该属性为空,则使用由图层属性指定的初始值设定项。Weights``Weights``Weights``Weights``trainNetwork``WeightsInitializer
在训练时,是一个 -by-by-by-by- 数组。Weights``FilterSize(1)``FilterSize(2)``NumChannels``NumFilters
数据类型: single
|double
Bias
— 图层偏差 []
(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。训练网络时,如果 为 非空,则 trainNetwork
使用该属性作为初始值。如果 为空,则使用 指定的初始值设定项。Bias``Bias``Bias``trainNetwork``BiasInitializer
在训练时,是一个 1 x 1 by 数组。Bias``NumFilters
数据类型: single
|double
WeightLearnRateFactor
— 权重 1 的学习速率因子``(默认)|非负标量权重的学习速率因子,指定为非负标量。
软件将此因子乘以全局学习速率,以确定该层中权重的学习速率。例如,如果 是 ,则此层中权重的学习速率是当前全局学习速率的两倍。该软件根据您使用 trainingOptions
函数指定的设置来确定全局学习率。WeightLearnRateFactor``2
数据类型: | single
|double
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|char
|string
|
BiasLearnRateFactor
— 偏差 1 的学习速率因子``(默认值)|非负标量偏差的学习速率因子,指定为非负标量。
软件将此因子乘以全局学习速率,以确定该层中偏差的学习速率。例如,如果 是 ,则层中偏差的学习速率是当前全局学习速率的两倍。该软件根据您使用 trainingOptions
函数指定的设置来确定全局学习率。BiasLearnRateFactor``2
数据类型: | single
|double
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|char
|string
|
WeightL2Factor
—L2权重的正则化因子 1(默认值)|非负标量L2权重的正则化因子,指定为非负标量。
该软件将此因子乘以全局L2正则化因子以确定L2此层中权重的正则化。例如,如果 是 ,则WeightL2Factor``2
L2此层中权重的正则化是全局的两倍L2正则化因子。您可以指定全局L2使用训练选项函数的
正则化因子。
数据类型: | single
|double
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|char
|string
|
BiasL2Factor
—L2偏差的正则化因子 0
(默认值)|非负标量L2偏差的正则化因子,指定为非负标量。
该软件将此因子乘以全局L2正则化因子以确定L2此层中偏差的正则化。例如,如果 是 ,则BiasL2Factor``2
L2此层中偏差的正则化是全局的两倍L2正则化因子。您可以指定全局L2使用训练选项函数的
正则化因子。
数据类型: | single
|double
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|char
|string
|
Name
— 图层名称 “”
(默认)|字符向量|字符串标量图层名称,指定为字符向量或字符串标量。对于 Layer
数组输入,trainNetwork
、assembleNetwork
、layerGraph
和 dlnetwork
函数会自动为 Name 设置为 '' 的
层分配名称
。
数据类型: char
|string
NumInputs
— 输入 数 1
(默认)此属性是只读的。
图层的输入数。此层仅接受单个输入。
数据类型:double
InputNames
— 输入名称 {'in'}
(默认)此属性是只读的。
输入图层的名称。此层仅接受单个输入。
数据类型:cell
NumOutputs
— 输出 数 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:double
OutputNames
— 输出名称 {'out'}
(默认值)此属性是只读的。
图层的输出名称。此层只有一个输出。
数据类型:cell
文章浏览阅读3.2k次。本文研究全球与中国市场分布式光纤传感器的发展现状及未来发展趋势,分别从生产和消费的角度分析分布式光纤传感器的主要生产地区、主要消费地区以及主要的生产商。重点分析全球与中国市场的主要厂商产品特点、产品规格、不同规格产品的价格、产量、产值及全球和中国市场主要生产商的市场份额。主要生产商包括:FISO TechnologiesBrugg KabelSensor HighwayOmnisensAFL GlobalQinetiQ GroupLockheed MartinOSENSA Innovati_预计2026年中国分布式传感器市场规模有多大
文章浏览阅读1.1k次,点赞2次,收藏12次。常用组合逻辑电路结构——为IC设计的延时估计铺垫学习目的:估计模块间的delay,确保写的代码的timing 综合能给到多少HZ,以满足需求!_基4布斯算法代码
文章浏览阅读3.3k次,点赞3次,收藏5次。OpenAI Manager助手(基于SpringBoot和Vue)_chatgpt网页版
文章浏览阅读2.2k次。USACO自1992年举办,到目前为止已经举办了27届,目的是为了帮助美国信息学国家队选拔IOI的队员,目前逐渐发展为全球热门的线上赛事,成为美国大学申请条件下,含金量相当高的官方竞赛。USACO的比赛成绩可以助力计算机专业留学,越来越多的学生进入了康奈尔,麻省理工,普林斯顿,哈佛和耶鲁等大学,这些同学的共同点是他们都参加了美国计算机科学竞赛(USACO),并且取得过非常好的成绩。适合参赛人群USACO适合国内在读学生有意向申请美国大学的或者想锻炼自己编程能力的同学,高三学生也可以参加12月的第_usaco可以多次提交吗
文章浏览阅读394次。1.1 存储程序1.2 创建存储过程1.3 创建自定义函数1.3.1 示例1.4 自定义函数和存储过程的区别1.5 变量的使用1.6 定义条件和处理程序1.6.1 定义条件1.6.1.1 示例1.6.2 定义处理程序1.6.2.1 示例1.7 光标的使用1.7.1 声明光标1.7.2 打开光标1.7.3 使用光标1.7.4 关闭光标1.8 流程控制的使用1.8.1 IF语句1.8.2 CASE语句1.8.3 LOOP语句1.8.4 LEAVE语句1.8.5 ITERATE语句1.8.6 REPEAT语句。_mysql自定义函数和存储过程
文章浏览阅读188次。半导体二极管——集成电路最小组成单元。_本征半导体电流为0
文章浏览阅读2.8k次,点赞3次,收藏18次。游戏水面特效实现方式太多。咱们这边介绍的是一最简单的UV动画(无顶点位移),整个mesh由4个顶点构成。实现了水面效果(左图),不动代码稍微修改下参数和贴图可以实现岩浆效果(右图)。有要思路是1,uv按时间去做正弦波移动2,在1的基础上加个凹凸图混合uv3,在1、2的基础上加个水流方向4,加上对雾效的支持,如没必要请自行删除雾效代码(把包含fog的几行代码删除)S..._unity 岩浆shader
文章浏览阅读5k次。广义线性模型是线性模型的扩展,它通过连接函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。广义线性模型拟合的形式为:其中g(μY)是条件均值的函数(称为连接函数)。另外,你可放松Y为正态分布的假设,改为Y 服从指数分布族中的一种分布即可。设定好连接函数和概率分布后,便可以通过最大似然估计的多次迭代推导出各参数值。在大部分情况下,线性模型就可以通过一系列连续型或类别型预测变量来预测正态分布的响应变量的工作。但是,有时候我们要进行非正态因变量的分析,例如:(1)类别型.._广义线性回归模型
文章浏览阅读69次。环境保护、 保护地球、 校园环保、垃圾分类、绿色家园、等网站的设计与制作。 总结了一些学生网页制作的经验:一般的网页需要融入以下知识点:div+css布局、浮动、定位、高级css、表格、表单及验证、js轮播图、音频 视频 Flash的应用、ul li、下拉导航栏、鼠标划过效果等知识点,网页的风格主题也很全面:如爱好、风景、校园、美食、动漫、游戏、咖啡、音乐、家乡、电影、名人、商城以及个人主页等主题,学生、新手可参考下方页面的布局和设计和HTML源码(有用点赞△) 一套A+的网_垃圾分类网页设计目标怎么写
文章浏览阅读614次,点赞7次,收藏11次。之前找到一个修改 exe 中 DLL地址 的方法, 不太好使,虽然能正确启动, 但无法改变 exe 的工作目录,这就影响了.Net 中很多获取 exe 执行目录来拼接的地址 ( 相对路径 ),比如 wwwroot 和 代码中相对目录还有一些复制到目录的普通文件 等等,它们的地址都会指向原来 exe 的目录, 而不是自定义的 “lib” 目录,根本原因就是没有修改 exe 的工作目录这次来搞一个启动程序,把 .net 的所有东西都放在一个文件夹,在文件夹同级的目录制作一个 exe._.net dll 全局目录
文章浏览阅读1.5k次。本文为转载,原博客地址:http://blog.csdn.net/hujingshuang/article/details/46910259简介 BRIEF是2010年的一篇名为《BRIEF:Binary Robust Independent Elementary Features》的文章中提出,BRIEF是对已检测到的特征点进行描述,它是一种二进制编码的描述子,摈弃了利用区域灰度..._breif description calculation 特征点
文章浏览阅读4.1k次,点赞21次,收藏79次。本文是《基于SpringBoot的房屋租赁管理系统》的配套原创说明文档,可以给应届毕业生提供格式撰写参考,也可以给开发类似系统的朋友们提供功能业务设计思路。_基于spring boot的房屋租赁系统论文