SequenceFoldingLayer.
序列折叠层
描述
序列折叠层将一批图像序列转换为一批图像。使用序列折叠层对图像序列的时间步独立进行卷积运算。
要使用序列折叠层，必须连接小匹匹匹匹配输出到小匹匹匹匹配对应序列展开层的输入。例如，请参见创建视频分类网络．
创建
特性
例子
创建序列折叠层
创建一个序列折叠层，命名为“褶皱”．
层= sequenceFoldingLayer ('姓名'那“褶皱”的）
layer = sequencefoldinglayer具有属性：名称：'fold1'numoutputs：2输出名：{'out''minibatchsize'}
创建视频分类网络
为包含图像序列的数据创建一个深度学习网络，如视频和医学图像数据。
要将图像序列输入到网络中，使用序列输入层。
为了独立地应用于每次步骤的卷积操作，首先使用序列折叠层将图像的序列转换为图像阵列。
要在执行这些操作后恢复序列结构，请使用序列展开层将此图像阵列转换回图像序列。
要将图像转换为特征向量，请使用扁平层。
然后，您可以将向量序列输入到LSTM和Bilstm层中。
定义网络架构
创建一个分类LSTM网络，将28 × 28的灰度图像序列分为10类。
定义以下网络架构：
输入大小的序列输入层
[28 28 1]．具有20个5×5滤波器的卷积，批量归一化和Relu层块。
具有200个隐藏单元的LSTM层，只输出最后一个时间步长。
完全连接的大小10层（类数），后跟软MAX层和分类层。
为了在每个时间步骤上独立地进行卷积运算，在卷积层之前包含一个序列折叠层。LSTM层需要向量序列输入。为了恢复序列结构，将卷积层的输出重塑为特征向量序列，在卷积层和LSTM层之间插入序列展开层和平坦层。
输入= [28 28 1];filtersize = 5;numfilters = 20;numhidandunits = 200;numclasses = 10;层= [......sequenceInputLayer（输入，'姓名'那'输入'）SequenceFoldingLayer（'姓名'那'折叠') convolution2dLayer (filterSize numFilters,'姓名'那“conv”）BatchnormalizationLayer（'姓名'那bn的）剥离（'姓名'那“relu”）SequencunfoldingLayer（'姓名'那'展开') flattenLayer ('姓名'那'扁平'）lstmlayer（numhidendunits，'OutputMode'那'最后的'那'姓名'那'lstm') fullyConnectedLayer (numClasses'姓名'那“俱乐部”）softmaxlayer（'姓名'那'softmax') classificationLayer ('姓名'那'分类'));
将图层转换为图层图并连接小匹匹匹匹配序列折叠层的输出到序列展开层的相应输入。
Lgraph = LayerGraph（层）;Lgraph = ConnectLayers（Lapraphay，'折叠/小靶'那“展开/ miniBatchSize”）;
使用介绍最终网络架构阴谋功能。
图绘制(lgraph)
扩展能力
也可以看看
lstmlayer.|bilstmLayer|grulayer.|classifyandupdattestate.|predictandanddatestate.|resetState|Flattenlayer.|sequencfoldinglayer.|sequenceInputlayer.
你也可以从以下列表中选择一个网站:
