pretrainedEncoderNetwork

从预先训练的网络创建编码器网络

页面上倒塌

句法

net = pretrateencodernetwork（networkname，深度）

[NET，OutputNames] = pretRateNcodernetwork（NetworkName，深度）

描述

例子

净= pretrateencodernetwork（networkName那深度）创建编码器网络，净，来自预先训练过的网络，networkName。编码器网络执行深度下采样操作。

此功能需要深度学习工具箱™。

例子

[净那输出名称] = pretrateencodernetwork（networkName那深度）还返回名称，输出名称，在下采样操作之前直接发生的激活层。这些激活对应于特定空间分辨率或尺度的感兴趣的特征。万博尤文图斯

例子

全部收缩

从预先训练的SqueezeNet网络创建编码器网络

此示例使用：

打开生活的脚本

创建一个基于Squeezenet净定网络的三个下采样操作的编码器。

Encodernet = pretRateNcodernetwork（“squeezenet”3)

Encodernet =具有属性的DLnetwork：图层：[33x1 nnet.cnn.layer.layer]连接：[36x2表]了解：[26x3表]状态：[0x3表] InputNames：{'data'} OutputNames：{'Fire5-Concat'}初始化：1

显示编码器网络。

分析工作（EncoDernet）

从佩带的googlenet创建U-net

此示例使用：

打开生活的脚本

从预先训练的GoogLeNet网络创建一个具有四个向下采样操作的GAN编码器网络。

深度= 4;[编码器，OutputNames] = pretRateNcodernetwork（'googlenet'，深度）;

确定编码器网络的输入大小。

inputSize = encoder.Layers (1) .InputSize;

通过创建样本数据输入，然后调用来确定编码器网络中激活层的输出大小向前，它返回激活。

exampleInput = dlArray（零（输入），'SSC'）;exampleOutput =细胞(1、长度(outputNames));[exampleOutput{}): =前进(exampleInput编码器,'输出', outputNames);

确定解码器块中的通道数作为每个激活中的第三频道的长度。

NumChannels = Cellfun（@（x）大小（提取数据（x），3），exampleoutput）;NumChannels = Pliplr（NumChannels（1：端1））;

定义一个为一个解码器块创建一个层数组的函数。

DecoderBlock = @（块）[transposedConv2dlayer（2，NumChannels（块），'走吧'，2）卷积2dlayer（3，NumChannels（块），'填充'那“相同”) reluLayer convolution2dLayer (numChannels(块),'填充'那“相同”) reluLayer);

创建与编码器模块中有相同数量的上采样块的解码器模块。

解码器= blockednetwork（Decoderblock，深度）;

通过连接编码器模块和解码器模块，并添加跳过连接，创建U-Net网络。

net = encoderdecodernetwork（[224 224 3]，编码器，解码器，......'OutputChannels'3,'skipconnections'那“连接”）

net = dlnetwork with属性：图层：[139x1 nnet.cnn.layer.layer]连接：[167x2表]了解：[116x3表]状态：[0x3表] InputNames：{'data'} OutputNames：{'EncoderDecoderfinalConvlayer'}初始化：1

显示网络。