主要内容

setL2Factor

设置层可学习参数的L2正则化因子

折叠所有页面

语法

layerUpdated = setL2Factor(layer,parameterName,factor)
layerUpdated = setL2Factor(layer,parameterPath,factor)
netupdates = setL2Factor(net,layerName,parameterName,factor)
netupdates = setL2Factor(net,parameterPath,factor)

描述

例子

layerUpdated= setL2Factor (层，parameterName，因素）用名称设置参数的L2正则化因子parameterName在层来因素．

对于内置层，您可以使用相应的属性直接设置L2正则化因子。例如，对于aconvolution2dLayer层，语法layer = setL2Factor(layer，'Weights'，factor)等于层。WeightL2Factor =因子．

layerUpdated= setL2Factor (层，parameterPath，因素）设置路径指定的参数的L2正则化因子parameterPath．类型中的参数时使用此语法dlnetwork对象在自定义层中。

netUpdated= setL2Factor (网，layerName，parameterName，因素）用名称设置参数的L2正则化因子parameterName在带有name的层中layerName对于指定的dlnetwork对象。

netUpdated= setL2Factor (网，parameterPath，因素）设置路径指定的参数的L2正则化因子parameterPath．当参数位于嵌套层时使用此语法。

例子

全部折叠

打开实时脚本

设置并得到一层的一个可学习参数的L2正则化因子。

创建一个包含自定义层的层数组preluLayer，附上实例作为支持文件。万博1manbetx要访问此层，请将此示例作为活动脚本打开。

创建一个包含自定义层的层数组preluLayer．

层= [.．.imageInputLayer([28 28 1]) convolution2dLayer(5,20) batchNormalizationLayer preluLayer fullyConnectedLayer(10) softmaxLayer classificationLayer];

的L2正则化因子α的可学习参数preluLayer2。

layers(4) = setL2Factor(layers(4)，“阿尔法”2);

查看更新的L2正则化因子。

getL2Factor(图层(4)，“阿尔法”）
因子= 2
打开实时脚本

设置并获得嵌套层的一个可学习参数的L2正则化因子。

使用自定义层创建一个剩余块层residualBlockLayer作为支持文件附在本示例中。万博1manbetx要访问此文件，请将此示例作为Live Script打开。

numFilters = 64;layer = residualBlockLayer(numFilters)
Name: " Learnable Parameters Network: [1x1 dlnetwork] State Parameters无属性。显示所有属性

查看嵌套网络的层数。

layer.Network.Layers
ans = 7x1带有层的层数组:1' conv_1' 2d Convolution 64 3x3 convolutions with stride [1 1] and padding 'same' 2' groupnorm_1' Group Normalization Group Normalization 3 'relu_1' ReLU ReLU 4 'conv_2' 2d Convolution 64 3x3 convolutions with stride [1 1] and padding 'same' 5 'groupnorm_2' Group Normalization Group Normalization 6 'add'加法按元素添加2个输入7 'relu_2' ReLU ReLU

设置可学习参数的L2正则化因子“重量”层的“conv_1”2 .使用setL2Factor函数。

因子= 2;层= setL2Factor(层，“网络/ conv_1 /重量”、因素);

方法获取更新的L2正则化因子getL2Factor函数。

getL2Factor(图层，“网络/ conv_1 /重量”）
因子= 2
打开实时脚本

设置并得到a的一个可学习参数的L2正则化因子dlnetwork对象。

创建一个dlnetwork对象。

图层= [imageInputLayer([28 28 1]，“归一化”，“没有”，“名字”，“在”20岁的)convolution2dLayer (5“名字”，“conv”) batchNormalizationLayer (“名字”，bn的) reluLayer (“名字”，“relu”) fullyConnectedLayer (10“名字”，“俱乐部”) softmaxLayer (“名字”，“sm”));lgraph = layerGraph(图层);Dlnet = dlnetwork(lgraph);

的L2正则化因子“重量”的卷积层的可学习参数为2setL2Factor函数。

因子= 2;dlnet = setL2Factor(dlnet，“conv”，“重量”、因素);

方法获取更新的L2正则化因子getL2Factor函数。

getL2Factor(dlnet)“conv”，“重量”）
因子= 2
打开实时脚本

中嵌套层的可学习参数的L2正则化因子dlnetwork对象。

创建一个dlnetwork对象，其中包含自定义层residualBlockLayer作为支持文件附在本示例中。万博1manbetx要访问此文件，请将此示例作为Live Script打开。

inputSize = [224 224 3];numFilters = 32;numClasses = 5;图层= [imageInputLayer(inputSize，“归一化”，“没有”，“名字”，“在”numFilters) convolution2dLayer(7日,“步”,2，“填充”，“相同”，“名字”，“conv”) groupNormalizationLayer (所有渠道的，“名字”，“gn”) reluLayer (“名字”，“relu”) maxPooling2dLayer (3“步”,2，“名字”，“马克斯”) residualBlockLayer (numFilters“名字”，“res1”) residualBlockLayer (numFilters“名字”，“它”) residualBlockLayer (2 * numFilters,“步”,2，“IncludeSkipConvolution”,真的,“名字”，“res3”) residualBlockLayer (2 * numFilters,“名字”，“res4”) residualBlockLayer (4 * numFilters,“步”,2，“IncludeSkipConvolution”,真的,“名字”，“res5”) residualBlockLayer (4 * numFilters,“名字”，“res6”) globalAveragePooling2dLayer (“名字”，“差距”) fullyConnectedLayer (numClasses“名字”，“俱乐部”) softmaxLayer (“名字”，“sm”));Dlnet = dlnetwork(层);

的可学的的属性dlnetwork对象是一个包含网络可学习参数的表。该表在单独的行中包含嵌套层的参数。查看该层的可学习参数“res1”．

learnables = dlnet.Learnables;Idx =可学习物。层= =“res1”；可学的(idx:)
ans =8×3表层参数值______ ____________________________ ___________________ "res1" "Network/groupnorm_1/ Weights" {3x3x32x32 dlarray} "res1" "Network/groupnorm_1/Offset" {1x1x32 dlarray} "res1" "Network/groupnorm_1/Scale" {1x1x32 dlarray} "res1" "Network/groupnorm_1/ Weights" {3x3x32x32 dlarray} "res1" "Network/conv_2/Bias" {1x1x32 dlarray} "res1" "Network/conv_2/Bias" {1x1x32 dlarray} "res1" "Network/groupnorm_2/Offset" {1x1x32 dlarray} "res1" "Network/groupnorm_2/Offset" {1x1x32 dlarray} "res1" "Network/groupnorm_2/Offset" {1x1x32 dlarray} "res1" "Network/groupnorm_2/Offset" {1x1x32 dlarray} "res1" "Network/groupnorm_2/Offset" {1x1x32 dlarray} "res1" "Network/groupnorm_2/Offset" {1x1x32 dlarray} "res1" "Network/groupnorm_2/Offset" {1x1x32 dlarray} "res1" "Network/groupnorm_2/Offset" {1x1x32 dlarray} "res1" "Network/groupnorm_2/Offset"

对于图层“res1”，设置可学习参数的L2正则化因子“重量”层的“conv_1”2 .使用setL2Factor函数。

因子= 2;dlnet = setL2Factor(dlnet，“res1 /网络/ conv_1 /重量”、因素);

方法获取更新的L2正则化因子getL2Factor函数。

getL2Factor(dlnet)“res1 /网络/ conv_1 /重量”）
因子= 2

输入参数

全部折叠

输入层，指定为标量层对象。

参数名称，指定为字符向量或字符串标量。

参数的L2正则化因子，指定为非负标量。

该软件将该因子与全局L2正则化因子相乘，以确定指定参数的L2正则化因子。例如，如果因素= 2，则指定参数的L2正则化是全局L2正则化因子的两倍。属性指定全局L2正则化因子trainingOptions函数。

例子:2

嵌套层中参数的路径，指定为字符串标量或字符向量。嵌套层是一个自定义层，它本身将层图定义为一个可学习的参数。

如果输入为setL2Factor是嵌套层，那么参数路径有什么形式“propertyName / layerName / parameterName”,地点:

  • propertyName属性的名称是否包含dlnetwork对象

  • layerName的层名是dlnetwork对象

  • parameterName参数名称

如果嵌套层有多个级别，则使用表单指定每个级别“propertyName1 / layerName1 /…/ propertyNameN / layerNameN / parameterName”,在那里propertyName1而且layerName1对应层中的输入到setL2Factor功能，随后的部分对应于更深的层次。

例子:对于层输入setL2Factor，小路“网络/ conv1 /重量”指定了“重量”具有名称的层的参数“conv1”在dlnetwork给出的对象层。网络．

如果输入为setL2Factor是一个dlnetwork对象与所需参数在一个嵌套层中，则参数路径具有形式“layerName1 / propertyName / layerName / parameterName”,地点:

  • layerName1在输入层的名称吗dlnetwork对象

  • propertyName该层的属性是否包含dlnetwork对象

  • layerName的层名是dlnetwork对象

  • parameterName参数名称

如果嵌套层有多个级别，则使用表单指定每个级别“layerName1 / propertyName1 /…/ layerNameN / propertyNameN / layerName / parameterName”,在那里layerName1而且propertyName1对应层中的输入到setL2Factor功能，随后的部分对应于更深的层次。

例子:为dlnetwork输入setL2Factor，小路“res1 /网络/ conv1 /重量”指定了“重量”具有名称的层的参数“conv1”在dlnetwork给出的对象层。网络,在那里层这个层有名字吗“res1”在输入网络中网．

数据类型:字符|字符串

神经网络，指定为adlnetwork对象。

层名，指定为字符串标量或字符向量。

数据类型:字符|字符串

输出参数

全部折叠

更新的层，返回为层．

更新后的网络，返回为dlnetwork．

版本历史

在R2017b中引入

另请参阅

||||

主题