featureInputLayer
创建
属性
功能的输入
InputSize
- - - - - -功能数量
正整数
归一化
- - - - - -数据归一化
“没有”
(默认)|“zerocenter”
|“zscore”
|“rescale-symmetric”
|“rescale-zero-one”
|函数处理
每次数据通过输入层前向传播时应用数据规范化,指定为以下之一:
提示
在默认情况下,软件会自动计算规范化统计trainNetwork
函数。为节省训练时的时间,请指定规范化所需的统计数据,并设置ResetInputNormalization
选项trainingOptions
来0
(假
).
NormalizationDimension
- - - - - -规范化维度
“汽车”
(默认)|“通道”
|“所有”
归一化维度,指定为下列之一:
“汽车”
—如果培训选项为假
你指定任何一个标准化统计(的意思是
,StandardDeviation
,最小值
,或马克斯
),然后对与统计数据匹配的维度进行规范化。否则,在训练时重新计算统计数据并应用信道标准化。“通道”
-信道标准化。“所有”
—使用标量统计将所有值归一化。
的意思是
- - - - - -零中心和z分数归一化的平均值
[]
(默认)|列向量|数字标量
零中心和z分数归一化的平均值,指定为1 × -numFeatures
每个特征的均值向量,一个数字标量,或[]
.
如果您指定的意思是
属性,然后归一化
必须“zerocenter”
或“zscore”
.如果的意思是
是[]
,然后是trainNetwork
函数计算平均值。训练…dlnetwork
对象,或者组装一个网络而不使用assembleNetwork
函数时,必须设置的意思是
属性设置为数值标量或数值数组。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
StandardDeviation
- - - - - -z-score归一化的标准差
[]
(默认)|列向量|数字标量
z-score归一化的标准偏差,用1 × -表示numFeatures
每个特征的均值向量,一个数字标量,或[]
.
如果您指定StandardDeviation
属性,然后归一化
必须“zscore”
.如果StandardDeviation
是[]
,然后是trainNetwork
函数计算标准偏差。训练…dlnetwork
对象,或者组装一个网络而不使用assembleNetwork
函数时,必须设置StandardDeviation
属性设置为数值标量或数值数组。
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)|列向量|数字标量
用于重新缩放的最小值,指定为1 by-numFeatures
每个特征的最小向量,一个数字标量,或[]
.
如果您指定最小值
属性,然后归一化
必须“rescale-symmetric”
或“rescale-zero-one”
.如果最小值
是[]
,然后是trainNetwork
函数计算最小值。训练…dlnetwork
对象,或者组装一个网络而不使用assembleNetwork
函数时,必须设置最小值
属性设置为数值标量或数值数组。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
马克斯
- - - - - -重新缩放的最大值
[]
(默认)|列向量|数字标量
重新缩放的最大值,指定为1 by-numFeatures
每个特征的最大值向量,一个数字标量,或[]
.
如果您指定马克斯
属性,然后归一化
必须“rescale-symmetric”
或“rescale-zero-one”
.如果马克斯
是[]
,然后是trainNetwork
函数计算最大值。训练…dlnetwork
对象,或者组装一个网络而不使用assembleNetwork
函数时,必须设置马克斯
属性设置为数值标量或数值数组。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
SplitComplexInputs
- - - - - -将输入数据分割成实数和虚数分量的标志
0
(假
)(默认)|1
(真正的
)
该属性是只读的。
将输入数据分割为实数和虚数的标志,指定为以下值之一:
0
(假
) -不要分割输入数据。1
(真正的
) -将数据拆分为实组件和虚组件。
当SplitComplexInputs
是1
,则该层输出的通道数是输入数据的两倍。例如,如果输入数据是复数值numChannels
通道,然后层输出数据2 * numChannels
渠道,其中渠道1
通过numChannels
包含实际组件的输入数据和numChannels + 1
通过2 * numChannels
包含输入数据的虚分量。如果输入的数据是真实的,那么通道numChannels + 1
通过2 * numChannels
都是0。
将复值数据输入到神经网络中SplitComplexInputs
输入层的选项必须为1
.
有关如何使用复值数据训练网络的示例,请参见复值数据下的训练网络.
层
名字
- - - - - -层的名字
''
(默认)|特征向量|字符串标量
图层名称,指定为字符向量或字符串标量。为层
数组输入trainNetwork
,assembleNetwork
,layerGraph
,dlnetwork
函数会自动将名称分配给具有该名称的层''
.
数据类型:字符
|字符串
NumInputs
- - - - - -输入数
0(默认)
该属性是只读的。
层的输入数。层没有输入。
数据类型:双
InputNames
- - - - - -输入名字
{}
(默认)
该属性是只读的。
输入图层的名称。层没有输入。
数据类型:细胞
NumOutputs
- - - - - -输出数量
1
(默认)
该属性是只读的。
层的输出数。这一层只有一个输出。
数据类型:双
OutputNames
- - - - - -输出的名字
{“出”}
(默认)
该属性是只读的。
输出图层的名称。这一层只有一个输出。
数据类型:细胞
例子
创建特征输入层
创建一个名称为的特征输入层“输入”
对于由21个特征组成的观测值。
layer = featureInputLayer(21;“名字”,“输入”)
图层= FeatureInputLayer with properties: Name: 'input' InputSize: 21 SplitComplexInputs: 0 Hyperparameters归一化:'none' NormalizationDimension: 'auto'
包含特征输入层层
数组中。
numFeatures = 21;numClasses = 3;layers = [featureInputLayer(numFeatures,“名字”,“输入”) fullyConnectedLayer (numClasses“名字”,“俱乐部”) softmaxLayer (“名字”,“sm”) classificationLayer (“名字”,“分类”)]
层= 4x1层阵列层:1 'input' Feature输入21个特征2 'fc'全连接3全连接层3 'sm' Softmax Softmax 4 'classification'分类输出crossentropyex
结合图像和特征输入层
要训练同时包含图像输入层和特征输入层的网络,必须使用dlnetwork
对象在自定义训练循环中。
定义输入图像的大小、每个观测值的特征数量、类的数量以及卷积层的过滤器的大小和数量。
imageInputSize = [28 28 1];numFeatures = 1;numClasses = 10;filterSize = 5;numFilters = 16;
要创建具有两个输入层的网络,您必须将网络定义为两个部分,并将它们连接起来,例如,通过使用连接层。
定义网络的第一部分。定义图像分类层,在最后一个完全连接的层之前包括一个平坦层和一个拼接层。
图层= [imageInputLayer(imageInputSize,“归一化”,“没有”,“名字”,“图片”) convolution2dLayer (filterSize numFilters,“名字”,“conv”) reluLayer (“名字”,“relu”) fullyConnectedLayer (50,“名字”,“fc1”) flattenLayer (“名字”,“平”) concatenationLayer(1、2、“名字”,“concat”) fullyConnectedLayer (numClasses“名字”,“取得”) softmaxLayer (“名字”,“softmax”));
将图层转换为图层图。
lgraph = layerGraph(layers);
对于网络的第二部分,增加特征输入层,并将其连接到连接层的第二输入。
featureInputLayer(numFeatures,“名字”,“特性”);lgraph = addLayers(lgraph, featInput);lgraph = connectLayers(lgraph,“特性”,“concat / in2”);
可视化网络。
情节(lgraph)
创建一个dlnetwork
对象。
Dlnet = dlnetwork(lgraph)
dlnet = dlnetwork with properties: Layers: [9x1 nnet.cnn.layer.Layer] Connections: [8x2表]Learnables: [6x3表]State: [0x3表]InputNames: {'images' 'features'} OutputNames: {'softmax'} Initialized: 1查看summary with summary。
扩展功能
C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。
代码生成不支持复杂的输入,也不支持
“SplitComplexInputs”
选择。
GPU代码生成
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。
生成CUDA®通过使用GPU Coder™编写c++代码,您必须首先构建并训练深度神经网络。一旦网络经过训练和评估,你就可以配置代码生成器来生成代码,并在使用NVIDIA的平台上部署卷积神经网络®或手臂®GPU处理器。有关更多信息,请参见深度学习与GPU编码器(GPU编码器).
代码生成不支持复杂的输入,也不支持
“SplitComplexInputs”
选择。
版本历史
在R2020b中引入
MATLAB命令
您点击了与此MATLAB命令对应的链接:
通过在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。
你亦可选择下列网址:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家网站没有针对您所在位置的访问进行优化。