主要内容

crossChannelNormalizationLayer

Channel-wise当地反应正常化层

描述

channel-wise当地响应(交叉流道)归一化层进行channel-wise正常化。

创建

描述

= crossChannelNormalizationLayer (windowChannelSize)创建一个channel-wise当地响应归一化层和设置WindowChannelSize财产。

例子

= crossChannelNormalizationLayer (windowChannelSize,名称,值)设置可选属性WindowChannelSize,α,β,K,的名字使用名称-值对。例如,crossChannelNormalizationLayer (5“K”1)创建一个本地响应正常化层channel-wise正常化的窗口大小5Khyperparameter 1。您可以指定多个名称-值对。在单引号附上每个属性的名字。

属性

全部展开

横跨海峡的正常化

通道窗口的大小,控制通道的数量用于每个元素的正常化,指定为一个正整数小于或等于16。

如果WindowChannelSize是偶数,那么窗口是不对称的。看着前面的软件地板((w1) / 2)渠道和下面的地板(w / 2)频道。例如,如果WindowChannelSize4,每个元素层可实现通过邻国在前面的通道和邻国在接下来的两个渠道。

例子:5

αhyperparameter规范化(乘数术语),指定为数字标量。

例子:0.0002

βhyperparameter正常化,指定为一个数字标量。的价值β必须大于或等于0.01。

例子:0.8

Khyperparameter正常化,指定为一个数字标量。的价值K必须大于或等于105

例子:2.5

图层名称,指定为一个特征向量或字符串标量。为数组输入,trainNetwork,assembleNetwork,layerGraph,dlnetwork函数自动分配名称层的名称

数据类型:字符|字符串

这个属性是只读的。

输入层的数量。这一层只接受一个输入。

数据类型:

这个属性是只读的。

输入层的名称。这一层只接受一个输入。

数据类型:细胞

这个属性是只读的。

输出层的数量。这一层只有一个输出。

数据类型:

这个属性是只读的。

输出层的名称。这一层只有一个输出。

数据类型:细胞

例子

全部折叠

创建一个本地响应正常化层channel-wise正常化,每个元素窗口五频道的规范化,标准化者和积分常数 K 是1。

层= crossChannelNormalizationLayer (5“K”,1)
层= CrossChannelNormalizationLayer属性:名称:“Hyperparameters WindowChannelSize: 5α:1.0000 e-04β:0.7500 K: 1

包括本地响应归一化层数组中。

层= [imageInputLayer([1] 28日28日)convolution2dLayer (5、20) reluLayer crossChannelNormalizationLayer (3) fullyConnectedLayer (10) softmaxLayer classificationLayer]
层= 7 x1层与层:数组1”的形象输入28 x28x1图像zerocenter正常化2”二维卷积20 5 x5旋转步[1]和填充[0 0 0 0]3”ReLU ReLU 4”横通道正常化横通道正常化与3频道每个元素5“完全连接10完全连接层6”Softmax Softmax crossentropyex 7”分类输出

算法

全部展开

引用

[1]Krizhevsky,。,I. Sutskever, and G. E. Hinton. "ImageNet Classification with Deep Convolutional Neural Networks."先进的神经信息处理系统。25卷,2012年。

扩展功能

C / c++代码生成
生成C和c++代码使用MATLAB®编码器™。

GPU的代码生成
生成NVIDIA的CUDA®代码®GPU使用GPU编码器™。

版本历史

介绍了R2016a