imageInputLayer(深度学习工具箱)

图像输入层向网络输入二维图像，并应用数据归一化。

不支持代码生成“归一化”使用函数句柄指定。

是的

是的

是的

sequenceInputLayer(深度学习工具箱)

序列输入层向网络输入序列数据。

cuDNN库支持向量和二维图像序列。TensorRT库只支持向量输入序列。

对于矢量序列输入，在代码生成过程中特征的数量必须是恒定的。

对于图像序列输入，在代码生成期间，高度、宽度和通道数量必须是一个常数。

不支持代码生成“归一化”使用函数句柄指定。

是的

是的

没有

featureInputLayer(深度学习工具箱)

特征输入层向网络输入特征数据并进行数据规范化。

是的

是的

是的

convolution2dLayer(深度学习工具箱)

二维卷积层对输入应用滑动卷积滤波器。

是的

是的

是的

fullyConnectedLayer(深度学习工具箱)

全连接层将输入乘以一个权重矩阵，然后添加一个偏置向量。

是的

是的

没有

groupedConvolution2dLayer(深度学习工具箱)

二维分组卷积层将输入通道分组，并应用滑动卷积滤波器。使用分组卷积层进行通道可分(也称为深度可分)卷积。

的二维分组卷积层不支持ARM Mali GPU的代码生成NumGroups属性设置为“channel-wise”或者一个大于2的值。

是的

是的

是的

transposedConv2dLayer(深度学习工具箱)

一个转置的二维卷积层上采样特征映射。

是的

是的

是的

bilstmLayer(深度学习工具箱)

双向LSTM (BiLSTM)层学习时间序列或序列数据的时间步之间的双向长期依赖关系。当您希望网络在每个时间步中从完整的时间序列中学习时，这些依赖关系可能很有用。

对于代码生成，StateActivationFunction属性必须设置为的双曲正切．

对于代码生成，GateActivationFunction属性必须设置为“乙状结肠”．

是的

是的

没有

flattenLayer(深度学习工具箱)

压平层将输入的空间维度折叠为通道维度。

是的

没有

没有

gruLayer(深度学习工具箱)

GRU层学习时间序列和序列数据中时间步骤之间的依赖关系。

代码生成只支持“after-multiplication”而且“recurrent-bias-after-multiplication”重置门模式。

是的

是的

没有

lstmLayer(深度学习工具箱)

LSTM层学习时间序列和序列数据中时间步之间的长期依赖关系。

对于代码生成，StateActivationFunction属性必须设置为的双曲正切．

对于代码生成，GateActivationFunction属性必须设置为“乙状结肠”．

是的

是的

没有

sequenceFoldingLayer(深度学习工具箱)

序列折叠层将一批图像序列转换为一批图像。利用序列折叠层对图像序列的时间步分别进行卷积运算。

是的

没有

没有

sequenceInputLayer(深度学习工具箱)

序列输入层向网络输入序列数据。

cuDNN库支持向量和二维图像序列。TensorRT库只支持向量输入序列。

对于矢量序列输入，在代码生成过程中特征的数量必须是恒定的。

对于图像序列输入，在代码生成期间，高度、宽度和通道数量必须是一个常数。

不支持代码生成“归一化”使用函数句柄指定。

是的

是的

没有

sequenceUnfoldingLayer(深度学习工具箱)

序列展开层在序列折叠后恢复输入数据的序列结构。

是的

没有

没有

wordEmbeddingLayer(文本分析工具箱)

单词嵌入层将单词索引映射到向量。

是的

是的

没有

clippedReluLayer(深度学习工具箱)

剪切的ReLU层执行阈值操作，其中小于零的输入值被设置为零，高于的输入值被设置为零剪裁天花板被设置在那个天花板上。

是的

是的

是的

eluLayer(深度学习工具箱)

ELU激活层对正输入执行标识运算，对负输入执行指数非线性。

是的

是的

没有

leakyReluLayer(深度学习工具箱)

泄漏的ReLU层执行阈值操作，其中任何小于零的输入值都乘以一个固定的标量。

是的

是的

是的

reluLayer(深度学习工具箱)

ReLU层对输入的每个元素执行阈值操作，其中任何小于零的值都被设置为零。

是的

是的

是的

softplusLayer(强化学习工具箱)

一个SoftplusLayer是实现软加激活的深度神经网络层吗Y= log(1 + e^X），这保证了输出总是正的。

是的

是的

没有

swishLayer(深度学习工具箱)

swish激活层对层输入应用swish函数。

是的

是的

没有

tanhLayer(深度学习工具箱)

双曲正切(tanh)激活层在层输入上应用tanh函数。

是的

是的

是的

batchNormalizationLayer(深度学习工具箱)

批处理规范化层通过一个小批处理规范化每个输入通道。

是的

是的

是的

crop2dLayer(深度学习工具箱)

二维作物层将二维裁剪应用于输入。

是的

是的

是的

crossChannelNormalizationLayer(深度学习工具箱)

通道级本地响应(跨通道)规范化层执行通道级规范化。

是的

是的

是的

dropoutLayer(深度学习工具箱)

dropout层以给定的概率将输入元素随机设置为零。

是的

是的

是的

groupNormalizationLayer(深度学习工具箱)

组归一化层针对每个观察独立地跨分组子集通道归一化一个小批数据。

是的

是的

没有

scalingLayer(强化学习工具箱)

演员或评论家网络的伸缩层。

的值对于代码生成来说“规模”而且“偏见”属性必须具有相同的维度。

是的

是的

是的

averagePooling2dLayer(深度学习工具箱)

平均池化层通过将输入划分为矩形池化区域并计算每个区域的平均值来执行下采样。

是的

是的

是的

globalAveragePooling2dLayer(深度学习工具箱)

全局平均池化层通过计算输入的高度和宽度维度的平均值来执行下采样。

是的

是的

是的

globalMaxPooling2dLayer(深度学习工具箱)

全局最大池化层通过计算输入的高度和宽度维度的最大值来执行下采样。

是的

是的

是的

maxPooling2dLayer(深度学习工具箱)

最大池化层通过将输入划分为矩形池化区域，并计算每个区域的最大值来执行下采样。

如果在内核窗口的非对角线上存在相同的最大值，则maxPooling2dLayer可能会导致MATLAB之间的数值不匹配^®以及生成的代码。此问题还会导致每个池区域中最大值的索引不匹配。有关更多信息，请参见maxPooling2dLayer(深度学习工具箱)．

是的

是的

是的

maxUnpooling2dLayer(深度学习工具箱)

最大反池层将最大反池层的输出反池。

如果在内核窗口的非对角线上存在相同的最大值，则maxPooling2dLayer可能会导致MATLAB和生成代码之间的数值不匹配。此问题还会导致每个池区域中最大值的索引不匹配。有关更多信息，请参见maxUnpooling2dLayer(深度学习工具箱)．

是的

是的

没有

additionLayer(深度学习工具箱)

添加层按元素添加来自多个神经网络层的输入。

是的

是的

是的

concatenationLayer(深度学习工具箱)

连接层接受输入并沿着指定的维度连接它们。

是的

是的

没有

depthConcatenationLayer(深度学习工具箱)

深度连接层接受具有相同高度和宽度的输入，并沿第三维度(通道维度)将它们连接起来。

是的

是的

是的

anchorBoxLayer(计算机视觉工具箱)

锚盒层存储用于对象检测网络的特征映射的锚盒。

是的

是的

是的

depthToSpace2dLayer(图像处理工具箱)

是的

是的

是的

focalLossLayer(计算机视觉工具箱)

是的

是的

是的

spaceToDepthLayer(图像处理工具箱)

是的

是的

是的

ssdMergeLayer(计算机视觉工具箱)

SSD合并层将特征映射的输出进行合并，用于后续的回归和分类损失计算。

是的

是的

没有

rcnnBoxRegressionLayer(计算机视觉工具箱)

是的

是的

是的

rpnClassificationLayer(计算机视觉工具箱)

是的

是的

是的

YOLOv2OutputLayer(计算机视觉工具箱)

为YOLO v2对象检测网络创建输出层。

是的

是的

是的

YOLOv2ReorgLayer(计算机视觉工具箱)

为YOLO v2对象检测网络创建重组层。

是的

是的

是的

YOLOv2TransformLayer(计算机视觉工具箱)

为YOLO v2对象检测网络创建转换层。

是的

是的

是的

classificationLayer(深度学习工具箱)

分类层计算具有互斥类的多类分类问题的交叉熵损失。

是的

是的

是的

dicePixelClassificationLayer(计算机视觉工具箱)

Dice像素分类层使用广义Dice损失为每个图像像素或体素提供分类标签。

是的

是的

是的

focalLossLayer(计算机视觉工具箱)

是的

是的

是的

输出层(深度学习工具箱)

使用创建的所有输出层，包括自定义分类或回归输出层nnet.layer.ClassificationLayer或nnet.layer.RegressionLayer．

有关演示如何定义自定义分类输出层和指定丢失函数的示例，请参见定义自定义分类输出层(深度学习工具箱)．

有关显示如何定义自定义回归输出层和指定损失函数的示例，请参见定义自定义回归输出层(深度学习工具箱)．

是的

是的

是的

pixelClassificationLayer(计算机视觉工具箱)

像素分类层为每个图像像素或体素提供分类标签。

是的

是的

是的

rcnnBoxRegressionLayer(计算机视觉工具箱)

是的

是的

是的

regressionLayer(深度学习工具箱)

回归层计算回归问题的半均方误差损失。

是的

是的

是的

rpnClassificationLayer(计算机视觉工具箱)

是的

是的

是的

sigmoidLayer(深度学习工具箱)

sigmoid层将sigmoid函数应用于输入。

是的

是的

是的

softmaxLayer(深度学习工具箱)

softmax层对输入应用softmax函数。

是的

是的

是的

nnet.keras.layer.ClipLayer(深度学习工具箱)

在上界和下界之间剪辑输入。

是的

是的

没有

nnet.keras.layer.FlattenCStyleLayer(深度学习工具箱)

按C-style(行-主)顺序将激活压平为1-D。

是的

是的

是的

nnet.keras.layer.GlobalAveragePooling2dLayer(深度学习工具箱)

空间数据的全球平均池化层。

是的

是的

是的

nnet.keras.layer.PreluLayer(深度学习工具箱)

参数整流线性单元。

是的

是的

没有

nnet.keras.layer.SigmoidLayer(深度学习工具箱)

乙状结肠活化层。

是的

是的

是的

nnet.keras.layer.TanhLayer(深度学习工具箱)

双曲正切激活层。

是的

是的

是的

nnet.keras.layer.TimeDistributedFlattenCStyleLayer(深度学习工具箱)

将一个输入图像序列压平为一个向量序列，假设输入层的c风格(或行为主)存储顺序。

是的

是的

没有

nnet.keras.layer.ZeroPadding2dLayer(深度学习工具箱)

二维输入的零填充层。

是的

是的

是的

nnet.onnx.layer.ClipLayer(深度学习工具箱)

在上界和下界之间剪辑输入。

是的

是的

没有

nnet.onnx.layer.ElementwiseAffineLayer(深度学习工具箱)

层，该层执行按元素缩放输入，然后进行添加。

是的

是的

是的

nnet.onnx.layer.FlattenInto2dLayer(深度学习工具箱)

以ONNX的方式扁平化MATLAB 2D图像批处理，生成一个2D输出数组CB格式。

是的

是的

没有

nnet.onnx.layer.FlattenLayer(深度学习工具箱)

将输入张量的空间维度压扁为通道维度。

是的

是的

是的

nnet.onnx.layer.GlobalAveragePooling2dLayer(深度学习工具箱)

空间数据的全球平均池化层。

是的

是的

是的

nnet.onnx.layer.IdentityLayer(深度学习工具箱)

实现ONNX身份运算符的层。

是的

是的

是的

nnet.onnx.layer.PreluLayer(深度学习工具箱)

参数整流线性单元。

是的

是的

没有

nnet.onnx.layer.SigmoidLayer(深度学习工具箱)

乙状结肠活化层。

是的

是的

是的

nnet.onnx.layer.TanhLayer(深度学习工具箱)

双曲正切激活层。

是的

是的

是的

nnet.onnx.layer.VerifyBatchSizeLayer(深度学习工具箱)

验证固定的批大小。

是的

是的

是的

自定义图层

自定义层，有或没有可学习参数，您为您的问题定义。

要了解如何定义自定义深度学习层，请参见定义自定义深度学习层(深度学习工具箱)而且为代码生成定义自定义深度学习层(深度学习工具箱)．

有关如何为具有自定义层的网络生成代码的示例，请参见基于YOLO v3深度学习的目标检测代码生成．

自定义层的输出必须是固定大小的数组。

使用“统一”随着MallocMode在coder.gpuConfig需要额外的内存副本，导致性能变慢。对于自定义层，建议使用“离散”模式。有关GPU内存分配的更多信息，请参见离散和管理模式

cuDNN目标支持自定义层的行主代码和列主代码生成。TensorRT目标只支持列主要代码生成。

对于代码生成，自定义层必须包含% # codegen编译指示。

不支持包含自定义层和LSTM或GRU层的序列网络的代码生成。

你可以通过dlarray自定义层，如果:

对于不支持的dlarray方法，然后必须从dlarray，执行计算，并将数据重建回dlarray代码生成。例如,

函数Z = predict(layer, X)如果coder.target (MATLAB的) Z = doppredict (X);其他的如果isdlarray(X) X1 = extractdata(X);Z1 = doPredict (X1);Z = dlarray (Z1);其他的Z = doPredict (X);结束结束结束

是的

是的

没有