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3.8k次,点赞9次,收藏28次。直接上一个工作中碰到的问题,另外一个系统开启多线程调用我这边的接口,然后我这边会开启多线程批量查询第三方接口并且返回给调用方。使用的是两三年前别人遗留下来的方法,放到线上后发现确实是可以正常取到结果,但是一旦调用,CPU占用就直接100%(部署环境是win server服务器)。因此查看了下相关的老代码并使用JProfiler查看发现是在某个while循环的时候有问题。具体项目代码就不贴了,类似于下面这段代码。while(flag) {//your code;}这里的flag._main函数使用while(1)循环cpu占用99
文章浏览阅读347次。idea shift f6 快捷键无效_idea shift +f6快捷键不生效
文章浏览阅读135次。Ecmacript 中没有DOM 和 BOM核心模块Node为JavaScript提供了很多服务器级别,这些API绝大多数都被包装到了一个具名和核心模块中了,例如文件操作的 fs 核心模块 ,http服务构建的http 模块 path 路径操作模块 os 操作系统信息模块// 用来获取机器信息的var os = require('os')// 用来操作路径的var path = require('path')// 获取当前机器的 CPU 信息console.log(os.cpus._node模块中有很多核心模块,以下不属于核心模块,使用时需下载的是
文章浏览阅读10w+次,点赞435次,收藏3.4k次。SPSS 22 下载安装过程7.6 方差分析与回归分析的SPSS实现7.6.1 SPSS软件概述1 SPSS版本与安装2 SPSS界面3 SPSS特点4 SPSS数据7.6.2 SPSS与方差分析1 单因素方差分析2 双因素方差分析7.6.3 SPSS与回归分析SPSS回归分析过程牙膏价格问题的回归分析_化工数学模型数据回归软件
文章浏览阅读7.5k次。如何利用hutool工具包实现邮件发送功能呢?1、首先引入hutool依赖<dependency> <groupId>cn.hutool</groupId> <artifactId>hutool-all</artifactId> <version>5.7.19</version></dependency>2、编写邮件发送工具类package com.pc.c..._hutool发送邮件
文章浏览阅读867次,点赞2次,收藏2次。docker安装elasticsearch,elasticsearch-head,kibana,ik分词器安装方式基本有两种,一种是pull的方式,一种是Dockerfile的方式,由于pull的方式pull下来后还需配置许多东西且不便于复用,个人比较喜欢使用Dockerfile的方式所有docker支持的镜像基本都在https://hub.docker.com/docker的官网上能找到合..._docker安装kibana连接elasticsearch并且elasticsearch有密码
文章浏览阅读1.3w次,点赞57次,收藏92次。整理 | 郑丽媛出品 | CSDN(ID:CSDNnews)近年来,随着机器学习的兴起,有一门编程语言逐渐变得火热——Python。得益于其针对机器学习提供了大量开源框架和第三方模块,内置..._beeware
文章浏览阅读7.9k次。//// ViewController.swift// Day_10_Timer//// Created by dongqiangfei on 2018/10/15.// Copyright 2018年 飞飞. All rights reserved.//import UIKitclass ViewController: UIViewController { ..._swift timer 暂停
文章浏览阅读986次,点赞2次,收藏2次。1.硬性等待让当前线程暂停执行,应用场景:代码执行速度太快了,但是UI元素没有立马加载出来,造成两者不同步,这时候就可以让代码等待一下,再去执行找元素的动作线程休眠,强制等待 Thread.sleep(long mills)package com.example.demo;import org.junit.jupiter.api.Test;import org.openqa.selenium.By;import org.openqa.selenium.firefox.Firefox.._元素三大等待
文章浏览阅读3k次,点赞4次,收藏14次。Java软件工程师职位分析_java岗位分析
文章浏览阅读2k次。Java:Unreachable code的解决方法_java unreachable code
文章浏览阅读1w次。1、html中设置标签data-*的值 标题 11111 222222、点击获取当前标签的data-url的值$('dd').on('click', function() { var urlVal = $(this).data('ur_如何根据data-*属性获取对应的标签对象