主要内容

image3dInputLayer

三维图像输入层

自从R2019a

扩展所有的页面

描述

三维图像输入层输入神经网络和应用3 d图像或卷数据规范化。

对于二维图像输入,使用imageInputLayer。

创建

语法

层= image3dInputLayer (inputSize)
层= image3dInputLayer (inputSize、名称、值)

描述

层= image3dInputLayer (inputSize)返回一个3 d图像输入层和指定InputSize财产。

例子

层= image3dInputLayer (inputSize,名称,值)设置可选属性使用名称-值对。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

三维图像输入

输入数据的大小,指定为一个行向量的整数(w h d c),在那里h,w,d,c对应的高度、宽度、深度、数量分别为渠道。

  • 对于灰度输入,指定一个向量c等于1。

  • RGB输入,指定一个向量c等于3。

  • 多光谱和高光谱输入,指定一个向量c通道的数量。

对于二维图像输入,使用imageInputLayer。

例子:(132 132 116 3)

这个属性是只读的。

数据规范化应用每次数据通过输入层向前传播,指定为以下之一:

  • “zerocenter”——减去指定的意思的意思是。

  • “zscore”——减去指定的意思的意思是然后除以StandardDeviation。

  • “rescale-symmetric”——重新输入的范围内[1]使用指定的最小和最大值最小值和马克斯,分别。

  • “rescale-zero-one”——重新输入的范围内[0,1]使用指定的最小和最大值最小值和马克斯,分别。

  • “没有”——不正常输入数据。

  • 函数处理——规范化数据使用指定的函数。函数必须的形式Y = func (X),在那里X输入数据和输出吗Y规范化的数据。

提示

软件,默认情况下,自动计算出归一化统计时使用trainNetwork函数。节省时间当训练,为归一化并设置指定所需的统计数据ResetInputNormalization选项trainingOptions来0(假)。

规范化维度,指定为以下之一:

  • “汽车”——如果训练选项假和您指定任何标准化的统计数据(的意思是,StandardDeviation,最小值,或马克斯),然后正常的尺寸相匹配的数据。否则,重新计算统计训练时间和应用channel-wise正常化。

  • “通道”——Channel-wise正常化。

  • “元素”——Element-wise正常化。

  • “所有”——所有值正常化使用标量数据。

数据类型:字符|字符串

对中心零位和z分数归一化,意味着指定的作为h——- - - - - -w——- - - - - -d——- - - - - -c数组,1-by-1-by-1-by -c每通道数组方式,数字标量或[],在那里h,w,d,c对应的高度、宽度、深度和渠道的数量的意思是,分别。

如果你指定的意思是属性,然后归一化必须“zerocenter”或“zscore”。如果的意思是是[],那么trainNetwork函数计算的意思。培养一个dlnetwork对象使用自定义训练循环或组装一个网络没有训练用的assembleNetwork功能,您必须设置的意思是属性数值标量或数字数组。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

为z分数归一化标准差,指定为一个h——- - - - - -w——- - - - - -d——- - - - - -c数组,1-by-1-by-1-by -c每通道数组方式,数字标量或[],在那里h,w,d,c对应的高度、宽度、深度和渠道的标准偏差的数量,分别。

如果你指定StandardDeviation属性,然后归一化必须“zscore”。如果StandardDeviation是[],那么trainNetwork函数计算标准偏差。培养一个dlnetwork对象使用自定义训练循环或组装一个网络没有训练用的assembleNetwork功能,您必须设置StandardDeviation属性数值标量或数字数组。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

最小值为尺度改变,作为一个指定h——- - - - - -w——- - - - - -d——- - - - - -c数组,1-by-1-by-1-by -c每通道数组的最小值,数值标量或[],在那里h,w,d,c对应的高度、宽度、深度和通道的最小值的数量,分别。

如果你指定最小值属性,然后归一化必须“rescale-symmetric”或“rescale-zero-one”。如果最小值是[],那么trainNetwork计算最小值函数。培养一个dlnetwork对象使用自定义训练循环或组装一个网络没有训练用的assembleNetwork功能,您必须设置最小值属性数值标量或数字数组。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

最高价值尺度改变,指定为一个h——- - - - - -w——- - - - - -d——- - - - - -c数组,1-by-1-by-1-by -c每通道数组的最大值,数字标量或[],在那里h,w,d,c对应的高度、宽度、深度、数量的最大值的通道,分别。

如果你指定马克斯属性,然后归一化必须“rescale-symmetric”或“rescale-zero-one”。如果马克斯是[],那么trainNetwork函数计算出最大值。培养一个dlnetwork对象使用自定义训练循环或组装一个网络没有训练用的assembleNetwork功能,您必须设置马克斯属性数值标量或数字数组。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

层

图层名称,指定为一个特征向量或字符串标量。为层数组输入,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。层没有输入。

数据类型:双

这个属性是只读的。

输入层的名称。层没有输入。

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:双

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

打开生活的脚本

创建一个三维图像输入层132 -通过- 132 - 116彩色三维影像的名字“输入”。默认情况下,层执行规范化的数据减去均值图像训练集的每一个输入图像。

层= image3dInputLayer ((132 132 116),“名字”,“输入”)
层= Image3DInputLayer属性:名称:“输入”InputSize: [132 132 116 1] Hyperparameters正常化:“zerocenter”NormalizationDimension:“汽车”的意思是:[]

包括输入层三维图像层数组中。

层= [image3dInputLayer([28日28日28日3])convolution3dLayer(5日16日“步”4)reluLayer maxPooling3dLayer (2“步”4)fullyConnectedLayer (10) softmaxLayer classificationLayer]
层x1 = 7层阵列层:1“3 d图像输入28 x28x28x3图像zerocenter正常化2”三维卷积16 5 x5x5旋转与步(4 - 4)和填充(0 0 0;0 0 0]3”ReLU ReLU 4”3 d Max池2 x2x2马克斯池与步(4 - 4)和填充(0 0 0;10 0 0 0]5”完全连接完全连接层6”Softmax Softmax crossentropyex 7”分类输出

版本历史

介绍了R2019a

全部展开

另请参阅

||||||

主题