이번역페이지는최신내용을담고있지않습니다。최신내용을문으로보려면여기를클릭하십시오。
dlarray
설명
딥러닝배열은사용자지정훈련루프를위해선택적데이터형식레이블을사용하여데이터를저장하고,함수가자동미분을통해도함수를계산하고사용할수있도록합니다。
팁
대부분의딥러닝작업의경우,사전훈련된신경망을사용하고이를사용자자신의데이터에맞게적응시킬수있습니다。새로운영상세트를분류할수있도록전이학습을사용하여컨벌루션신경망을다시훈련시키는방법을보여주는예제는새로운상을분류하도록딥러닝신경망훈련시키기항목을참조하십시오。또는layerGraph객체를trainNetwork함수 및trainingOptions함수와함께사용하여신경망을처음부터만들고훈련시킬수있습니다。
trainingOptions함수가작업에필요한훈련옵션을제공하지않는다면자동미분을사용하여사용자지정훈련루프를만들수있습니다。자세한내용은사용자지정훈련루프를위한딥러닝신경망정의하기항목을참조하십시오。
생성
설명
입력marketing수
출력marketing수
사용
dlarray데이터형식을사용하면다음표에있는함수를실행할때데이터가적절한형태를갖도록보장할수있습니다。
| 함수 | 연산 | 유효성검사대상입력차원 | 크기가향을받는입력차원 |
|---|---|---|---|
avgpool |
풀크기파라미터로정의된이동사각형(또는직육면체)공간(“年代”)역에대해입력데이터의평균을계산합니다。 |
“年代” |
“年代” |
batchnorm |
입력데이터의각채널(“C”)에포함된값을정규화합니다。 |
“C” |
|
crossentropy |
배치(“B”)차원의크기로평균을구한，추정값과목@값사이의교차엔트로피를계산합니다。 |
“年代”，“C”，“B”，“T”，“U”(추정값과목배열은크기가동일해야합니다.) |
“年代”，“C”，“B”，“T”，“U”(출력값은형식이지정되지않은스칼라입니다) |
dlconv |
입력데이터의딥러닝컨벌루션을계산하며,이를위해필터로구성된배열을사용하고,입력값의공간(“年代”)차원의수와채널(“C”)차원또는채널차원의함수를매칭하고，상수편향을더합니다。 |
“年代”，“C” |
“年代”，“C” |
dltranspconv |
입력데이터의딥러닝전치컨벌루션을계산하며,이를위해필터로구성된배열을사용하고,입력값의공간(“年代”)차원의수와채널(“C”)차원또는채널차원의함수를매칭하고，상수편향을더합니다。 |
“年代”，“C” |
“年代”，“C” |
fullyconnect |
입력데이터의가중합을계산하고각배치(“B”)및시간(“T”)차원에편향을적용합니다。 |
“年代”，“C”，“U” |
“年代”，“C”，“B”，“T”，“U”(출력값은항상“CB”，“CT”또는“施”데이터형식을갖습니다。) |
格勒乌 |
입력데이터에게이트순환유닛계산을적용합니다。 |
“年代”，“C”，“T” |
“C” |
lstm |
입력데이터에장단기기억계산을적용합니다。 |
“年代”，“C”，“T” |
“C” |
maxpool |
풀크기파라미터로정의된이동사각형공간(“年代”)역에대해입력데이터의최댓값을계산합니다。 |
“年代” |
“年代” |
maxunpool |
공간(“年代”)차원에대해언풀링연산을계산합니다。 |
“年代” |
“年代” |
均方误差 |
배치(“B”)차원의크기로평균을구한,추정값과목표값사이의평균제곱오차의절반을계산합니다。 |
“年代”，“C”，“B”，“T”，“U”(추정값과목배열은크기가동일해야합니다.) |
“年代”，“C”，“B”，“T”，“U”(출력값은형식이지정되지않은스칼라입니다) |
softmax |
입력데이터의각채널(“C”)에소프트맥스활성화를적용합니다。 |
“C” |
이러한함수를사용하려면각차원이레이블을가져야합니다。첫번째입력값을형식이지정된dlarray로제공하거나함수의“DataFormat”이름-값通讯录수를사용하여차원레이블형식을지정할수있습니다。
dlarray는차원레이블순서를“SCBTU”로적용합니다。이렇게적용하면입력값들사이에레이블을암묵적으로매칭시키는연산에서모호한의미체계를제거할수있습니다。dlarray는또한차원레이블“C”，“B”，“T”가각각최대한번만나오도록적용합니다。이러한차원레이블을사용하는함수는각레이블에대해최대하나의차원을허용합니다。
dlarray는dlarray와연관된데이터형식을가져오는함수(会变暗)，데이터형식을제거하는함수(stripdims)，특정차원레이블과연관된차원을가져오는함수(finddim)를제공합니다。
형식에따른dlarray의동작에대한자세한내용은显著的dlarray行为항목을참조하십시오。
객체 함수
avgpool |
将数据池化为空间维度上的平均值 |
batchnorm |
对每个通道的所有观测数据进行独立的归一化 |
crossentropy |
分类任务的交叉熵损失 |
会变暗 |
dlarray의차원레이블 |
dlconv |
深度学习卷积 |
dlgradient |
使用自动区分计算自定义训练循环的梯度 |
dltranspconv |
深度学习转置卷积 |
extractdata |
dlarray에서데이터추출 |
finddim |
查找带有指定标签的尺寸 |
fullyconnect |
求和所有加权输入数据并应用偏差 |
格勒乌 |
门控循环装置 |
leakyrelu |
应用泄漏整流线性单元激活 |
lstm |
长短期记忆 |
maxpool |
将数据池到最大值 |
maxunpool |
取消最大池化操作的输出 |
均方误差 |
半均方误差 |
线性整流函数（Rectified Linear Unit） |
ReLU(整流线性单元)활성화적용 |
乙状结肠 |
시그모이드활성화적용 |
softmax |
应用softmax激活通道维度 |
stripdims |
删除dlarray数据格式 |
dlarray는숫자，행렬및기타연산에대한함수도허용합니다。支持dlarray的函数列表에서전체목록을참조하십시오。
예제
팁
dlgradient호출은함수내에있어야합니다。기울기의숫자형값을구하려면dlfeval을사용하여함수를계산해야하고함수에대한수는dlarray여야합니다。在深度学习工具箱中使用自动区分항목을참조하십시오。기울기가올바로계산될수있도록하려면
dlfeval이dlarray에대해지원되는함수만사용하는함수를호출해야합니다。支持dlarray的函数列表항목을참조하십시오。
확장 기능
버전 내역
R2019b에개발됨
您也可以从以下列表中选择一个网站: