dlarray
深度学习数组为自定义训练循环
描述
深度学习数组存储数据和可选的数据格式标签定制培训循环,并使函数来计算和使用衍生品通过自动分化。
提示
对于大多数深度学习的任务,您可以使用一个pretrained网络和适应您自己的数据。为例展示如何使用转移学习再教育卷积神经网络分类一套新的图片,明白了火车深入学习网络对新图像进行分类。或者,您可以创建和培训网络从头开始使用layerGraph
的对象trainNetwork
和trainingOptions
功能。
如果trainingOptions
功能不提供训练选项,你需要你的任务,你可以创建一个自定义训练循环使用自动分化。欲了解更多,请看为自定义训练循环定义深度学习网络。
创建
描述
输入参数
输出参数
使用
dlarray
数据格式使您能够执行下表的功能保证数据具有合适的形状。
函数 | 操作 | 验证输入维度 | 影响大小的输入维数 |
---|---|---|---|
avgpool |
计算平均输入数据的移动矩形(或立方形的)空间(“年代” )地区由池大小定义参数。 |
“年代” |
“年代” |
batchnorm |
正常化的值包含在每个通道(“C” )的输入数据。 |
“C” |
|
crossentropy |
平均计算熵估计和目标之间的价值观,通过批量的大小(“B” )维度。 |
“年代” ,“C” ,“B” ,“T” ,“U” (估计和目标数组必须具有相同的大小。) |
“年代” ,“C” ,“B” ,“T” ,“U” (输出是一个非格式化标量)。 |
dlconv |
计算深度学习的卷积过滤器的使用数组输入数据,匹配空间的数量(“年代” )和(函数)的通道(“C” )输入维度,并添加一个常数的偏见。 |
“年代” ,“C” |
“年代” ,“C” |
dltranspconv |
计算深度学习转置卷积过滤器,使用数组输入数据的匹配空间的数量(“年代” )和(函数)的通道(“C” )输入维度,并添加一个常数的偏见。 |
“年代” ,“C” |
“年代” ,“C” |
fullyconnect |
计算加权和输入数据和应用一个偏见的每一批(“B” )和时间(“T” )维度。 |
“年代” ,“C” ,“U” |
“年代” ,“C” ,“B” ,“T” ,“U” (输出总是数据格式“CB” ,“CT” ,或“施” 。) |
格勒乌 |
应用一个封闭的复发性单元计算输入数据。 |
“年代” ,“C” ,“T” |
“C” |
lstm |
很长一段短期记忆计算应用于输入数据。 |
“年代” ,“C” ,“T” |
“C” |
maxpool |
计算出最大的输入数据的移动矩形空间(“年代” )地区由池大小定义参数。 |
“年代” |
“年代” |
maxunpool |
计算unpooling操作空间(“年代” )维度。 |
“年代” |
“年代” |
均方误差 |
一半计算均方误差估计和目标之间的值,平均通过批量的大小(“B” )维度。 |
“年代” ,“C” ,“B” ,“T” ,“U” (估计和目标数组必须具有相同的大小。) |
“年代” ,“C” ,“B” ,“T” ,“U” (输出是一个非格式化标量)。 |
softmax |
应用将softmax激活每个通道(“C” )的输入数据。 |
“C” |
这些功能需要每个维度有一个标签。您可以指定尺寸标签格式提供第一个输入格式化dlarray
,或者通过使用“DataFormat”
名称-值参数的函数。
dlarray
执行维度标签的顺序“SCBTU”
。这种强制消除了模糊语义之间的隐式操作匹配标签输入。dlarray
还强制,尺寸标签“C”
,“B”
,“T”
最多只能每出现一次。函数使用这些维度标签为每个标签最多接受一个维度。
dlarray
提供函数获取的数据格式dlarray
(会变暗
),删除数据格式(stripdims
),并获取相关的维度与特定维度标签(finddim
)。
更多的信息dlarray
行为与格式,看看著名的dlarray行为。
对象的功能
avgpool |
池数据在空间维度平均值 |
batchnorm |
为每个通道独立规范化数据在所有观测 |
crossentropy |
叉损失分类任务 |
会变暗 |
尺寸的标签dlarray |
dlconv |
深度学习卷积 |
dlgradient |
计算梯度为自定义训练循环使用自动分化 |
dltranspconv |
深度学习转置卷积 |
extractdata |
从中提取数据dlarray |
finddim |
发现尺寸与指定的标签 |
fullyconnect |
和所有的加权输入数据和应用的偏见 |
格勒乌 |
封闭的复发性单元 |
leakyrelu |
应用漏水的解决线性单元激活 |
lstm |
长时间的短期记忆 |
maxpool |
池数据最大值 |
maxunpool |
Unpool最大池操作的输出 |
均方误差 |
一半的均方误差 |
线性整流函数(Rectified Linear Unit) |
应用修正线性单元激活 |
乙状结肠 |
应用乙状结肠激活 |
softmax |
softmax激活应用于渠道维度 |
stripdims |
删除dlarray 数据格式 |
一个dlarray
还允许函数数值矩阵,和其他操作。看到完整的列表中与dlarray支持函数的列表万博1manbetx。
例子
提示
一个
dlgradient
调用必须在一个函数。获得一个数字值的梯度,你必须评估函数使用dlfeval
,参数必须是一个函数dlarray
。看到在深度学习工具箱使用自动分化。要启用梯度的正确评价,
dlfeval
必须调用函数使用仅支持函数万博1manbetxdlarray
。看到与dlarray支持函数的列表万博1manbetx。