unetLayersgydF4y2Ba

创建用于语义分割的U-Net层gydF4y2Ba

语法gydF4y2Ba

numClasses lgraph = unetLayers(图象尺寸)gydF4y2Ba

[lgraph, outputSize] = unetLayers (numClasses图象尺寸)gydF4y2Ba

___gydF4y2Ba= unetLayers(图象尺寸numClasses、名称、值)gydF4y2Ba

描述gydF4y2Ba

lgraphgydF4y2Ba= unetLayers (gydF4y2Ba图象尺寸gydF4y2Ba，gydF4y2BanumClassesgydF4y2Ba）gydF4y2Ba返回U-Net网络。gydF4y2BaunetLayersgydF4y2Ba在网络中包含一个像素分类层，用于预测输入图像中每个像素的分类标签。gydF4y2Ba

使用gydF4y2BaunetLayersgydF4y2Ba创建U-Net网络架构。您必须使用深度学习工具箱™功能来训练网络gydF4y2BatrainNetworkgydF4y2Ba(深度学习工具箱)gydF4y2Ba．gydF4y2Ba

［gydF4y2BalgraphgydF4y2Ba，gydF4y2BaoutputSizegydF4y2Ba) = unetLayers (gydF4y2Ba图象尺寸gydF4y2Ba，gydF4y2BanumClassesgydF4y2Ba）gydF4y2Ba也返回U-Net网络的输出大小。gydF4y2Ba

___gydF4y2Ba= unetLayers (gydF4y2Ba图象尺寸gydF4y2Ba，gydF4y2BanumClassesgydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Ba使用一个或多个名称-值对参数指定选项。将每个属性名用引号括起来。例如,gydF4y2BaunetLayers(图象尺寸、numClasses NumFirstEncoderFilters, 64)gydF4y2Ba另外将输出通道的数量设置为gydF4y2Ba64gydF4y2Ba对于第一个编码器阶段。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

创建U-Net网络自定义编码器-解码器深度gydF4y2Ba

这个示例使用:gydF4y2Ba

打开生活的脚本gydF4y2Ba

创建一个编码器-解码器深度为3的U-Net网络。gydF4y2Ba

imageSize = [480 640 3];numClasses = 5;encoderDepth = 3;numClasses lgraph = unetLayers(图象尺寸,gydF4y2Ba“EncoderDepth”gydF4y2BaencoderDepth)gydF4y2Ba

lgraph =具有属性的LayerGraph: Layers: [46x1 nnet.cnn.layer.Layer] Connections: [48x2 table] InputNames: {'ImageInputLayer'} OutputNames: {' segment - layer '}gydF4y2Ba

显示网络。gydF4y2Ba

情节(lgraph)gydF4y2Ba

图中包含一个axes对象。axes对象包含一个graphplot类型的对象。gydF4y2Ba

训练U-Net网络进行语义分割gydF4y2Ba

这个示例使用:gydF4y2Ba

打开生活的脚本gydF4y2Ba

将训练图像和像素标签加载到工作区中。gydF4y2Ba

dataSetDir = fullfile (toolboxdir (gydF4y2Ba“愿景”gydF4y2Ba)，gydF4y2Ba“visiondata”gydF4y2Ba，gydF4y2Ba“triangleImages”gydF4y2Ba）;imageDir = fullfile (dataSetDir,gydF4y2Ba“trainingImages”gydF4y2Ba）;labelDir = fullfile (dataSetDir,gydF4y2Ba“trainingLabels”gydF4y2Ba）;gydF4y2Ba

创建一个gydF4y2BaimageDatastoregydF4y2Ba对象来存储训练图像。gydF4y2Ba

imd = imageDatastore (imageDir);gydF4y2Ba

定义类名及其相关的标签id。gydF4y2Ba

一会= [gydF4y2Ba“三角形”gydF4y2Ba，gydF4y2Ba“背景”gydF4y2Ba];labelIDs = [255 0];gydF4y2Ba

创建一个gydF4y2BapixelLabelDatastoregydF4y2Ba对象存储训练图像的地面真值像素标签。gydF4y2Ba

一会,pxds = pixelLabelDatastore (labelDir labelIDs);gydF4y2Ba

创建U-Net网络。gydF4y2Ba

imageSize = [32 32];numClasses = 2;lgraph = unetLayers(imageSize, numClasses)gydF4y2Ba

lgraph =具有属性的LayerGraph: Layers: [58×1 nnet.cnn.layer.Layer] Connections: [61×2 table] InputNames: {'ImageInputLayer'} OutputNames: {' segment - layer '}gydF4y2Ba

创建一个用于训练网络的数据存储。gydF4y2Ba

ds =结合(imd, pxds);gydF4y2Ba

设置培训选项。gydF4y2Ba

选择= trainingOptions (gydF4y2Ba“个”gydF4y2Ba，gydF4y2Ba.．.gydF4y2Ba“InitialLearnRate”gydF4y2Ba1 e - 3,gydF4y2Ba.．.gydF4y2Ba“MaxEpochs”gydF4y2Ba, 20岁,gydF4y2Ba.．.gydF4y2Ba“VerboseFrequency”gydF4y2Ba10);gydF4y2Ba

培训网络。gydF4y2Ba

净= trainNetwork (ds、lgraph选项)gydF4y2Ba

单CPU训练。初始化输入数据规范化。|========================================================================================| | 时代| |迭代时间| Mini-batch | Mini-batch |基地学习  | | | | ( hh: mm: ss) | | |丧失准确性  | |========================================================================================| | 1 | 1 | 00:00:04 | 75.57% | 2.4341 | 0.0010 | | 10 | | 00:00:36 | 96.02% | 0.4517 | 0.0010 | | 20 | 20 | 00:01:13 | 97.62% | 0.2324 | 0.0010 ||========================================================================================|gydF4y2Ba

net = DAGNetwork属性:Layers: [58×1 nnet.cnn.layer.Layer] Connections: [61×2 table] InputNames: {'ImageInputLayer'} OutputNames: {' segment - layer '}gydF4y2Ba

输入参数gydF4y2Ba

全部折叠gydF4y2Ba

`图象尺寸gydF4y2Ba`- - - - - -gydF4y2Ba网络输入图像大小gydF4y2Ba
2-element向量gydF4y2Ba|gydF4y2Ba转换向量gydF4y2Ba

网络输入图像大小，指定为:gydF4y2Ba

形式为[的2元向量gydF4y2Ba高度gydF4y2Ba，gydF4y2Ba宽度gydF4y2Ba]。gydF4y2Ba
形式为[的三元向量gydF4y2Ba高度gydF4y2Ba，gydF4y2Ba宽度gydF4y2Ba，gydF4y2Ba深度gydF4y2Ba]。gydF4y2Ba深度gydF4y2Ba是图像通道的数量。集gydF4y2Ba深度gydF4y2Ba来gydF4y2Ba3.gydF4y2Ba对于RGB图像，到gydF4y2Ba1gydF4y2Ba对于灰度图像，或对多光谱和高光谱图像的通道数。gydF4y2Ba

`numClassesgydF4y2Ba`- - - - - -gydF4y2Ba类的数量gydF4y2Ba
大于1的整数gydF4y2Ba

语义段中的类数，指定为大于1的整数。gydF4y2Ba

名称-值参数gydF4y2Ba

例子:gydF4y2Ba“EncoderDepth”,3gydF4y2Ba

`EncoderDepthgydF4y2Ba`- - - - - -gydF4y2Ba深度编码器gydF4y2Ba
`4gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

编码器深度，指定为正整数。U-Net由编码器子网和相应的解码器子网组成。这些网络的深度决定了在处理过程中输入图像被下采样或上采样的次数。编码器网络对输入图像进行2倍的采样gydF4y2Ba^DgydF4y2Ba,在那里gydF4y2BaDgydF4y2Ba的值gydF4y2BaEncoderDepthgydF4y2Ba．解码器网络对编码器网络输出的采样提高了2倍gydF4y2Ba^DgydF4y2Ba．gydF4y2Ba

`NumOutputChannelsgydF4y2Ba`- - - - - -gydF4y2Ba输出通道数gydF4y2Ba
`64gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

请注意gydF4y2Ba

NumOutputChannelsgydF4y2Ba重命名为gydF4y2BaNumFirstEncoderFiltersgydF4y2Ba并且在未来的版本中将不受支持。使用gydF4y2BaNumFirstEncoderFiltersgydF4y2Ba代替。gydF4y2Ba

第一级编码器的输出通道数，指定为正整数或正整数的向量。在随后的每个编码器阶段，输出通道的数量翻倍。gydF4y2BaunetLayersgydF4y2Ba设置每个解码器级中的输出通道数以匹配相应编码器级中的数量。gydF4y2Ba

`NumFirstEncoderFiltersgydF4y2Ba`- - - - - -gydF4y2Ba第一编码器的输出通道数gydF4y2Ba
32gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

第一级编码器的输出通道数，指定为正整数或正整数的向量。在随后的每个编码器阶段，输出通道的数量翻倍。的gydF4y2BaunetLayersgydF4y2Ba函数设置每个解码器级中的输出通道数以匹配相应编码器级中的数量。gydF4y2Ba

`FilterSizegydF4y2Ba`- - - - - -gydF4y2Ba卷积层过滤器大小gydF4y2Ba
`3.gydF4y2Ba`(默认)|gydF4y2Ba积极的奇数gydF4y2Ba|gydF4y2Ba正奇数的2元素行向量gydF4y2Ba

卷积层过滤器大小，指定为正奇数整数或正奇数整数的2元素行向量。典型值在[3,7]的范围内。gydF4y2Ba

`FilterSizegydF4y2Ba`	描述gydF4y2Ba
标量gydF4y2Ba	过滤器是方形的。gydF4y2Ba
2-element行向量gydF4y2Ba	过滤器的尺寸为[gydF4y2Ba高度gydF4y2Ba宽度gydF4y2Ba]。gydF4y2Ba

`ConvolutionPaddinggydF4y2Ba`- - - - - -gydF4y2Ba类型的填充gydF4y2Ba
`“相同”gydF4y2Ba`(默认)|gydF4y2Ba`“有效”gydF4y2Ba`

填充类型，指定为gydF4y2Ba“相同”gydF4y2Ba或gydF4y2Ba“有效”gydF4y2Ba．对象的填充类型指定填充样式gydF4y2Baconvolution2dLayergydF4y2Ba(深度学习工具箱)gydF4y2Ba在编码器和解码器子网络中。输出特征映射的空间大小取决于填充的类型。如果你指定填充类型为:gydF4y2Ba

“相同”gydF4y2Ba-零填充应用到卷积层的输入，这样输出和输入特征映射是相同的大小。gydF4y2Ba
“有效”gydF4y2Ba-零填充不应用于卷积层的输入。卷积层只返回不带零填充的卷积值。输出特征映射比输入特征映射小。gydF4y2Ba

请注意gydF4y2Ba

以确保gydF4y2Ba高度gydF4y2Ba而且gydF4y2Ba宽度gydF4y2Ba在最大池化层的输入是偶数的情况下，选择网络输入图像的大小以确认满足以下任何一个条件:gydF4y2Ba

如果您指定gydF4y2Ba“ConvolutionPadding”gydF4y2Ba作为gydF4y2Ba“相同”gydF4y2Ba,那么gydF4y2Ba高度gydF4y2Ba而且gydF4y2Ba宽度gydF4y2Ba的值必须是2的倍数gydF4y2Ba^DgydF4y2Ba．gydF4y2Ba
如果您指定gydF4y2Ba“ConvolutionPadding”gydF4y2Ba作为gydF4y2Ba“有效”gydF4y2Ba,那么gydF4y2Ba高度gydF4y2Ba而且gydF4y2Ba宽度gydF4y2Ba必须选择这样的输入图像gydF4y2Ba $hgydF4y2Ba egydF4y2Ba 我gydF4y2Ba ggydF4y2Ba hgydF4y2Ba tgydF4y2Ba -gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{DgydF4y2Ba} {2gydF4y2Ba}^{我gydF4y2Ba} （gydF4y2Ba {fgydF4y2Ba}_{hgydF4y2Ba} -gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba$ 而且gydF4y2Ba $wgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba tgydF4y2Ba hgydF4y2Ba -gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{DgydF4y2Ba} {2gydF4y2Ba}^{我gydF4y2Ba} （gydF4y2Ba {fgydF4y2Ba}_{wgydF4y2Ba} -gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba$ 是2的倍数吗gydF4y2Ba^DgydF4y2Ba．gydF4y2Ba
在哪里gydF4y2BafgydF4y2Ba_hgydF4y2Ba而且gydF4y2BafgydF4y2Ba_wgydF4y2Ba分别为二维卷积核的高度和宽度。gydF4y2BaDgydF4y2Ba是编码器深度。gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba

输出参数gydF4y2Ba

全部折叠gydF4y2Ba

`lgraphgydF4y2Ba`——层gydF4y2Ba
`layerGraphgydF4y2Ba`对象gydF4y2Ba

表示U-Net网络体系结构的层，返回为gydF4y2BalayerGraphgydF4y2Ba(深度学习工具箱)gydF4y2Ba对象。gydF4y2Ba

`outputSizegydF4y2Ba`-网络输出图像大小gydF4y2Ba
三元素向量gydF4y2Ba

网络输出图像大小，返回形式为[gydF4y2Ba高度gydF4y2Ba，gydF4y2Ba宽度gydF4y2Ba，gydF4y2Ba渠道gydF4y2Ba]。gydF4y2Ba渠道gydF4y2Ba是输出通道的数量，它等于在输入处指定的类的数量。的gydF4y2Ba高度gydF4y2Ba而且gydF4y2Ba宽度gydF4y2Ba从网络输出图像的大小取决于填充卷积的类型。gydF4y2Ba

如果您指定gydF4y2Ba“ConvolutionPadding”gydF4y2Ba作为gydF4y2Ba“相同”gydF4y2Ba,那么gydF4y2Ba高度gydF4y2Ba而且gydF4y2Ba宽度gydF4y2Ba的网络输出图像与网络输入图像的相同。gydF4y2Ba
如果您指定gydF4y2Ba“ConvolutionPadding”gydF4y2Ba作为gydF4y2Ba“有效”gydF4y2Ba,那么gydF4y2Ba高度gydF4y2Ba而且gydF4y2Ba宽度gydF4y2Ba的网络输出图像小于网络输入图像。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

提示gydF4y2Ba

使用gydF4y2Ba“相同”gydF4y2Ba在卷积层中填充以保持从输入到输出的相同数据大小，并允许使用广泛的输入图像大小集。gydF4y2Ba
使用基于补丁的方法对大图像进行无缝分割。方法可以提取图像补丁gydF4y2BarandomPatchExtractionDatastoregydF4y2Ba功能在图像处理工具箱™。gydF4y2Ba
使用gydF4y2Ba“有效”gydF4y2Ba在使用基于补丁的方法进行分割时，填充以防止边界工件。gydF4y2Ba
您可以使用使用创建的网络gydF4y2BaunetLayersgydF4y2Ba训练后的GPU代码生成功能gydF4y2BatrainNetworkgydF4y2Ba(深度学习工具箱)gydF4y2Ba．有关详细信息和示例，请参见gydF4y2Ba深度学习代码生成gydF4y2Ba(深度学习工具箱)gydF4y2Ba．gydF4y2Ba

参考文献gydF4y2Ba

Ronneberger, O. P. Fischer, T. Brox。U-Net:生物医学图像分割的卷积网络。gydF4y2Ba医学图像计算与计算机辅助干预(MICCAI)gydF4y2Ba．2015, Vol. 9351 - 241页。gydF4y2Ba

[2]何凯，张旭，任硕，孙杰。深入研究整流器:在ImageNet分类上超越人类水平的性能。gydF4y2BaIEEE计算机视觉国际会议论文集gydF4y2Ba．2015年,1026 - 1034。gydF4y2Ba

扩展功能gydF4y2Ba

GPU的代码生成gydF4y2Ba
使用GPU Coder™为NVIDIA GPU生成CUDA®代码。gydF4y2Ba

使用注意事项和限制:gydF4y2Ba

您可以使用U-Net网络来生成代码。首先，使用gydF4y2BaunetLayersgydF4y2Ba函数。然后,使用gydF4y2BatrainNetworkgydF4y2Ba函数用于训练网络进行分割。在训练和评估网络之后，您可以为gydF4y2BaDAGNetworkgydF4y2Ba对象使用GPU Coder™。gydF4y2Ba

版本历史gydF4y2Ba

介绍了R2018bgydF4y2Ba

全部展开gydF4y2Ba

R2019b:gydF4y2Ba`NumOutputChannelsgydF4y2Ba`论点gydF4y2Ba`unetLayersgydF4y2Ba`重命名为gydF4y2Ba`NumFirstEncoderFiltersgydF4y2Ba`

unetLayersgydF4y2Ba论点gydF4y2BaNumOutputChannelsgydF4y2Ba重命名为gydF4y2BaNumFirstEncoderFiltersgydF4y2Ba．gydF4y2BaNumOutputChannelsgydF4y2Ba在未来的版本中将不受支持。使用gydF4y2BaNumFirstEncoderFiltersgydF4y2Ba代替。的所有实例要更新代码，请替换gydF4y2BaNumOutputChannelsgydF4y2Ba与gydF4y2BaNumFirstEncoderFiltersgydF4y2Ba．gydF4y2Ba

另请参阅gydF4y2Ba

对象gydF4y2Ba

pixelClassificationLayergydF4y2Ba|gydF4y2BalayerGraphgydF4y2Ba(深度学习工具箱)gydF4y2Ba|gydF4y2BaDAGNetworkgydF4y2Ba(深度学习工具箱)gydF4y2Ba

功能gydF4y2Ba

fcnLayersgydF4y2Ba|gydF4y2BasegnetLayersgydF4y2Ba|gydF4y2BatrainNetworkgydF4y2Ba(深度学习工具箱)gydF4y2Ba|gydF4y2BasemanticseggydF4y2Ba|gydF4y2Badeeplabv3plusLayersgydF4y2Ba|gydF4y2BaevaluateSemanticSegmentationgydF4y2Ba

unetLayersgydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

创建U-Net网络自定义编码器-解码器深度gydF4y2Ba

训练U-Net网络进行语义分割gydF4y2Ba

输入参数gydF4y2Ba

`图象尺寸gydF4y2Ba`- - - - - -gydF4y2Ba网络输入图像大小gydF4y2Ba
2-element向量gydF4y2Ba|gydF4y2Ba转换向量gydF4y2Ba

`numClassesgydF4y2Ba`- - - - - -gydF4y2Ba类的数量gydF4y2Ba
大于1的整数gydF4y2Ba

名称-值参数gydF4y2Ba

`EncoderDepthgydF4y2Ba`- - - - - -gydF4y2Ba深度编码器gydF4y2Ba
`4gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`NumOutputChannelsgydF4y2Ba`- - - - - -gydF4y2Ba输出通道数gydF4y2Ba
`64gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`NumFirstEncoderFiltersgydF4y2Ba`- - - - - -gydF4y2Ba第一编码器的输出通道数gydF4y2Ba
32gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

`FilterSizegydF4y2Ba`- - - - - -gydF4y2Ba卷积层过滤器大小gydF4y2Ba
`3.gydF4y2Ba`(默认)|gydF4y2Ba积极的奇数gydF4y2Ba|gydF4y2Ba正奇数的2元素行向量gydF4y2Ba

`ConvolutionPaddinggydF4y2Ba`- - - - - -gydF4y2Ba类型的填充gydF4y2Ba
`“相同”gydF4y2Ba`(默认)|gydF4y2Ba`“有效”gydF4y2Ba`

输出参数gydF4y2Ba

`lgraphgydF4y2Ba`——层gydF4y2Ba
`layerGraphgydF4y2Ba`对象gydF4y2Ba

`outputSizegydF4y2Ba`-网络输出图像大小gydF4y2Ba
三元素向量gydF4y2Ba

更多关于gydF4y2Ba

U-Net架构gydF4y2Ba

提示gydF4y2Ba

参考文献gydF4y2Ba

扩展功能gydF4y2Ba

GPU的代码生成gydF4y2Ba
使用GPU Coder™为NVIDIA GPU生成CUDA®代码。gydF4y2Ba

版本历史gydF4y2Ba

R2019b:gydF4y2Ba`NumOutputChannelsgydF4y2Ba`论点gydF4y2Ba`unetLayersgydF4y2Ba`重命名为gydF4y2Ba`NumFirstEncoderFiltersgydF4y2Ba`

另请参阅gydF4y2Ba

对象gydF4y2Ba

功能gydF4y2Ba

主题gydF4y2Ba

unetLayersgydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

创建U-Net网络自定义编码器-解码器深度gydF4y2Ba

训练U-Net网络进行语义分割gydF4y2Ba

输入参数gydF4y2Ba

图象尺寸gydF4y2Ba- - - - - -gydF4y2Ba网络输入图像大小gydF4y2Ba2-element向量gydF4y2Ba|gydF4y2Ba转换向量gydF4y2Ba

numClassesgydF4y2Ba- - - - - -gydF4y2Ba类的数量gydF4y2Ba大于1的整数gydF4y2Ba

名称-值参数gydF4y2Ba

EncoderDepthgydF4y2Ba- - - - - -gydF4y2Ba深度编码器gydF4y2Ba4gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

NumOutputChannelsgydF4y2Ba- - - - - -gydF4y2Ba输出通道数gydF4y2Ba64gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

NumFirstEncoderFiltersgydF4y2Ba- - - - - -gydF4y2Ba第一编码器的输出通道数gydF4y2Ba32gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

FilterSizegydF4y2Ba- - - - - -gydF4y2Ba卷积层过滤器大小gydF4y2Ba3.gydF4y2Ba(默认)|gydF4y2Ba积极的奇数gydF4y2Ba|gydF4y2Ba正奇数的2元素行向量gydF4y2Ba

ConvolutionPaddinggydF4y2Ba- - - - - -gydF4y2Ba类型的填充gydF4y2Ba“相同”gydF4y2Ba(默认)|gydF4y2Ba“有效”gydF4y2Ba

输出参数gydF4y2Ba

lgraphgydF4y2Ba——层gydF4y2BalayerGraphgydF4y2Ba对象gydF4y2Ba

outputSizegydF4y2Ba-网络输出图像大小gydF4y2Ba三元素向量gydF4y2Ba

更多关于gydF4y2Ba

U-Net架构gydF4y2Ba

提示gydF4y2Ba

参考文献gydF4y2Ba

扩展功能gydF4y2Ba

GPU的代码生成gydF4y2Ba使用GPU Coder™为NVIDIA GPU生成CUDA®代码。gydF4y2Ba

版本历史gydF4y2Ba

R2019b:gydF4y2BaNumOutputChannelsgydF4y2Ba论点gydF4y2BaunetLayersgydF4y2Ba重命名为gydF4y2BaNumFirstEncoderFiltersgydF4y2Ba

另请参阅gydF4y2Ba

对象gydF4y2Ba

功能gydF4y2Ba

主题gydF4y2Ba

`图象尺寸gydF4y2Ba`- - - - - -gydF4y2Ba网络输入图像大小gydF4y2Ba
2-element向量gydF4y2Ba|gydF4y2Ba转换向量gydF4y2Ba

`numClassesgydF4y2Ba`- - - - - -gydF4y2Ba类的数量gydF4y2Ba
大于1的整数gydF4y2Ba

`EncoderDepthgydF4y2Ba`- - - - - -gydF4y2Ba深度编码器gydF4y2Ba
`4gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`NumOutputChannelsgydF4y2Ba`- - - - - -gydF4y2Ba输出通道数gydF4y2Ba
`64gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`NumFirstEncoderFiltersgydF4y2Ba`- - - - - -gydF4y2Ba第一编码器的输出通道数gydF4y2Ba
32gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

`FilterSizegydF4y2Ba`- - - - - -gydF4y2Ba卷积层过滤器大小gydF4y2Ba
`3.gydF4y2Ba`(默认)|gydF4y2Ba积极的奇数gydF4y2Ba|gydF4y2Ba正奇数的2元素行向量gydF4y2Ba

`ConvolutionPaddinggydF4y2Ba`- - - - - -gydF4y2Ba类型的填充gydF4y2Ba
`“相同”gydF4y2Ba`(默认)|gydF4y2Ba`“有效”gydF4y2Ba`

`lgraphgydF4y2Ba`——层gydF4y2Ba
`layerGraphgydF4y2Ba`对象gydF4y2Ba

`outputSizegydF4y2Ba`-网络输出图像大小gydF4y2Ba
三元素向量gydF4y2Ba

GPU的代码生成gydF4y2Ba
使用GPU Coder™为NVIDIA GPU生成CUDA®代码。gydF4y2Ba

R2019b:gydF4y2Ba`NumOutputChannelsgydF4y2Ba`论点gydF4y2Ba`unetLayersgydF4y2Ba`重命名为gydF4y2Ba`NumFirstEncoderFiltersgydF4y2Ba`