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1.6k次。安装配置gi、安装数据库软件、dbca建库见下:http://blog.csdn.net/kadwf123/article/details/784299611、检查集群节点及状态:[root@rac2 ~]# olsnodes -srac1 Activerac2 Activerac3 Activerac4 Active[root@rac2 ~]_12c查看crs状态
文章浏览阅读1.3w次,点赞45次,收藏99次。我个人用的是anaconda3的一个python集成环境,自带jupyter notebook,但在我打开jupyter notebook界面后,却找不到对应的虚拟环境,原来是jupyter notebook只是通用于下载anaconda时自带的环境,其他环境要想使用必须手动下载一些库:1.首先进入到自己创建的虚拟环境(pytorch是虚拟环境的名字)activate pytorch2.在该环境下下载这个库conda install ipykernelconda install nb__jupyter没有pytorch环境
文章浏览阅读5.2k次,点赞19次,收藏28次。选择scoop纯属意外,也是无奈,因为电脑用户被锁了管理员权限,所有exe安装程序都无法安装,只可以用绿色软件,最后被我发现scoop,省去了到处下载XXX绿色版的烦恼,当然scoop里需要管理员权限的软件也跟我无缘了(譬如everything)。推荐添加dorado这个bucket镜像,里面很多中文软件,但是部分国外的软件下载地址在github,可能无法下载。以上两个是官方bucket的国内镜像,所有软件建议优先从这里下载。上面可以看到很多bucket以及软件数。如果官网登陆不了可以试一下以下方式。_scoop-cn
文章浏览阅读4.5k次,点赞2次,收藏3次。首先要有一个color-picker组件 <el-color-picker v-model="headcolor"></el-color-picker>在data里面data() { return {headcolor: ’ #278add ’ //这里可以选择一个默认的颜色} }然后在你想要改变颜色的地方用v-bind绑定就好了,例如:这里的:sty..._vue el-color-picker
文章浏览阅读640次。基于芯片日益增长的问题,所以内核开发者们引入了新的方法,就是在内核中只保留函数,而数据则不包含,由用户(应用程序员)自己把数据按照规定的格式编写,并放在约定的地方,为了不占用过多的内存,还要求数据以根精简的方式编写。boot启动时,传参给内核,告诉内核设备树文件和kernel的位置,内核启动时根据地址去找到设备树文件,再利用专用的编译器去反编译dtb文件,将dtb还原成数据结构,以供驱动的函数去调用。firmware是三星的一个固件的设备信息,因为找不到固件,所以内核启动不成功。_exynos 4412 刷机
文章浏览阅读2w次,点赞24次,收藏42次。Linux系统配置jdkLinux学习教程,Linux入门教程(超详细)_linux配置jdk
文章浏览阅读3.3k次,点赞5次,收藏19次。xlabel('\delta');ylabel('AUC');具体符号的对照表参照下图:_matlab微米怎么输入
文章浏览阅读119次。顺序读写指的是按照文件中数据的顺序进行读取或写入。对于文本文件,可以使用fgets、fputs、fscanf、fprintf等函数进行顺序读写。在C语言中,对文件的操作通常涉及文件的打开、读写以及关闭。文件的打开使用fopen函数,而关闭则使用fclose函数。在C语言中,可以使用fread和fwrite函数进行二进制读写。 Biaoge 于2024-03-09 23:51发布 阅读量:7 ️文章类型:【 C语言程序设计 】在C语言中,用于打开文件的函数是____,用于关闭文件的函数是____。
文章浏览阅读3.4k次,点赞2次,收藏13次。跟随鼠标移动的粒子以grid(SOP)为partical(SOP)的资源模板,调整后连接【Geo组合+point spirit(MAT)】,在连接【feedback组合】适当调整。影响粒子动态的节点【metaball(SOP)+force(SOP)】添加mouse in(CHOP)鼠标位置到metaball的坐标,实现鼠标影响。..._touchdesigner怎么让一个模型跟着鼠标移动
文章浏览阅读178次。项目运行环境配置:Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX(Webstorm也行)+ Eclispe(IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持)。项目技术:Springboot + mybatis + Maven +mysql5.7或8.0+html+css+js等等组成,B/S模式 + Maven管理等等。环境需要1.运行环境:最好是java jdk 1.8,我们在这个平台上运行的。其他版本理论上也可以。_基于java技术的停车场管理系统实现与设计
文章浏览阅读3.5k次。前言对于MediaPlayer播放器的源码分析内容相对来说比较多,会从Java-&amp;gt;Jni-&amp;gt;C/C++慢慢分析,后面会慢慢更新。另外,博客只作为自己学习记录的一种方式,对于其他的不过多的评论。MediaPlayerDemopublic class MainActivity extends AppCompatActivity implements SurfaceHolder.Cal..._android多媒体播放源码分析 时序图
文章浏览阅读2.4k次,点赞41次,收藏13次。java 数据结构与算法 ——快速排序法_快速排序法