imageInputLayer

图像输入层

扩展所有的页面

描述

图像输入层输入二维图像网络和应用数据规范化。

3 d图像输入,使用image3dInputLayer。

创建

语法

层= imageInputLayer (inputSize)

层= imageInputLayer (inputSize、名称、值)

描述

层= imageInputLayer (inputSize)返回一个图像输入层和指定InputSize财产。

例子

层= imageInputLayer (inputSize,名称,值)设置可选归一化,NormalizationDimension,的意思是,StandardDeviation,最小值,马克斯,SplitComplexInputs,的名字使用一个或多个属性名称参数。附上报价的属性名。

属性

全部展开

图像输入

`InputSize`- - - - - -输入的大小
行向量的整数

这个属性是只读的。

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

对于灰度图像,指定一个向量c等于1。
RGB图像,指定一个向量c等于3。
多光谱和高光谱图像,指定一个向量c通道的数量。

3 d图像或体积输入,使用image3dInputLayer。

例子:(224 224)

`归一化`- - - - - -数据归一化
`“zerocenter”`(默认)|`“zscore”`|`“rescale-symmetric”`|`“rescale-zero-one”`|`“没有”`|函数处理

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(的意见)。

`NormalizationDimension`- - - - - -规范化维度
`“汽车”`(默认)|`“通道”`|`“元素”`|`“所有”`

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

`的意思是`- - - - - -对中心零位和z分数意味着正常化
`[]`(默认)|三维数组|数字标量

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

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

`StandardDeviation`- - - - - -对z分数归一化标准差
`[]`(默认)|三维数组|数字标量

为z分数归一化标准差,指定为一个h——- - - - - -w——- - - - - -c数组,1-by-1-by -c每通道数组方式,数字标量或[],在那里h,w,c对应的高度、宽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`- - - - - -最小值为尺度改变
`[]`(默认)|三维数组|数字标量

最小值为尺度改变,作为一个指定h——- - - - - -w——- - - - - -c数组,1-by-1-by -c每通道数组的最小值,数值标量或[],在那里h,w,c对应的高度、宽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

`马克斯`- - - - - -最高价值尺度改变
`[]`(默认)|三维数组|数字标量

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

`SplitComplexInputs`- - - - - -国旗来输入数据分割成真实的和虚构的组件
`0`(`假`)(默认)|`1`(`真正的`)

这个属性是只读的。

国旗将输入数据转换成实数和虚数组件指定为这些值之一:

0(假)——不分割输入数据。
1(真正的)——数据分割成真实和虚构的组件。

当SplitComplexInputs是1层,然后输出通道作为输入数据的两倍。例如,如果输入数据是复杂值numChannels渠道,那么层输出数据2 * numChannels渠道,渠道1通过numChannels包含输入数据和真正的组件numChannels + 1通过2 * numChannels包含输入数据的虚构的成分。如果输入数据是真实的,那么通道numChannels + 1通过2 * numChannels都是零。

输入复数的数据网络,SplitComplexInputs必须选择输入层1。

为一个例子,演示如何训练一个网络与复值数据,看看火车与复数的数据网络。

`DataAugmentation`- - - - - -数据增加转换
`“没有”`(默认)|`“randcrop”`|`“randfliplr”`|单元阵列的`“randcrop”`和`“randfliplr”`

这个属性是只读的。

请注意

的DataAugmentation属性不推荐。图像预处理与裁剪、反射和其他几何转换,使用augmentedImageDatastore代替。

数据增加转换使用在训练期间,指定为以下之一。

“没有”——没有数据增加
“randcrop”——从训练图像随机作物。随机作物具有相同的大小作为输入大小。
“randfliplr”——随机输入图像翻转水平50%的机会。
单元阵列的“randcrop”和“randfliplr”。软件应用增加单元阵列中指定的顺序。

增强的图像数据是另一种减少过度拟合[1],[2]。

数据类型:字符串|字符|细胞

层

`的名字`- - - - - -层的名字
`”`(默认)|特征向量|字符串标量

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

`NumInputs`- - - - - -输入数量
0(默认)

这个属性是只读的。

输入层的数量。层没有输入。

数据类型:双

`InputNames`- - - - - -输入名字
`{}`(默认)

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

`NumOutputs`- - - - - -数量的输出
`1`(默认)

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

`OutputNames`- - - - - -输出的名字
`{“出”}`(默认)

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

创建图像输入层

打开生活的脚本

创建一个图像的输入层28-by-28彩色图像与名字“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。

inputlayer = imageInputLayer ([28 28 3],“名字”,“输入”)

inputlayer = ImageInputLayer属性:名称:“输入”InputSize:[28日28日3]SplitComplexInputs: 0 Hyperparameters DataAugmentation:“没有”正常化:“zerocenter”NormalizationDimension:“汽车”的意思是:[]

包括图像输入层层数组中。

层= […imageInputLayer([1] 28日28日)convolution2dLayer (5、20) reluLayer maxPooling2dLayer (2“步”,2)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”二维最大池2 x2马克斯池步(2 - 2)和填充[0 0 0 0]5“完全连接10完全连接层6”Softmax Softmax crossentropyex 7”分类输出

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。

[2]Cireşan D。,U. Meier, J. Schmidhuber. "Multi-column Deep Neural Networks for Image Classification".IEEE计算机视觉与模式识别会议,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™。

使用笔记和限制:

代码生成不支持万博1manbetx“归一化”指定使用一个函数处理。
代码生成不支持复杂的输入和不支持万博1manbetx“SplitComplexInputs”选择。

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

使用笔记和限制:

代码生成不支持万博1manbetx“归一化”指定使用一个函数处理。
代码生成不支持复杂的输入和不支持万博1manbetx“SplitComplexInputs”选择。

版本历史

介绍了R2016a

全部展开

R2019b:`AverageImage`财产将被删除

AverageImage将被删除。使用的意思是代替。更新你的代码,取代的所有实例AverageImage与的意思是。没有需要额外的属性差异更新代码。

R2019b:`imageInputLayer`和`image3dInputLayer`默认情况下,使用channel-wise正常化

从R2019b开始,imageInputLayer和image3dInputLayer默认情况下,使用channel-wise正常化。在以前的版本中,这些层使用element-wise正常化。复制这种行为,设置NormalizationDimension选择这些层“元素”。

另请参阅

imageInputLayer

描述

创建

语法

描述

属性

图像输入

InputSize- - - - - -输入的大小行向量的整数

归一化- - - - - -数据归一化“zerocenter”(默认)|“zscore”|“rescale-symmetric”|“rescale-zero-one”|“没有”|函数处理

NormalizationDimension- - - - - -规范化维度“汽车”(默认)|“通道”|“元素”|“所有”

的意思是- - - - - -对中心零位和z分数意味着正常化[](默认)|三维数组|数字标量

StandardDeviation- - - - - -对z分数归一化标准差[](默认)|三维数组|数字标量

最小值- - - - - -最小值为尺度改变[](默认)|三维数组|数字标量

马克斯- - - - - -最高价值尺度改变[](默认)|三维数组|数字标量

SplitComplexInputs- - - - - -国旗来输入数据分割成真实的和虚构的组件0(假)(默认)|1(真正的)

DataAugmentation- - - - - -数据增加转换“没有”(默认)|“randcrop”|“randfliplr”|单元阵列的“randcrop”和“randfliplr”

层

的名字- - - - - -层的名字”(默认)|特征向量|字符串标量

NumInputs- - - - - -输入数量0(默认)

InputNames- - - - - -输入名字{}(默认)

NumOutputs- - - - - -数量的输出1(默认)

OutputNames- - - - - -输出的名字{“出”}(默认)

例子

创建图像输入层

引用

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

R2019b:AverageImage财产将被删除

R2019b:imageInputLayer和image3dInputLayer默认情况下,使用channel-wise正常化

另请参阅

主题

`InputSize`- - - - - -输入的大小
行向量的整数

`归一化`- - - - - -数据归一化
`“zerocenter”`(默认)|`“zscore”`|`“rescale-symmetric”`|`“rescale-zero-one”`|`“没有”`|函数处理

`NormalizationDimension`- - - - - -规范化维度
`“汽车”`(默认)|`“通道”`|`“元素”`|`“所有”`

`的意思是`- - - - - -对中心零位和z分数意味着正常化
`[]`(默认)|三维数组|数字标量

`StandardDeviation`- - - - - -对z分数归一化标准差
`[]`(默认)|三维数组|数字标量

`最小值`- - - - - -最小值为尺度改变
`[]`(默认)|三维数组|数字标量

`马克斯`- - - - - -最高价值尺度改变
`[]`(默认)|三维数组|数字标量

`SplitComplexInputs`- - - - - -国旗来输入数据分割成真实的和虚构的组件
`0`(`假`)(默认)|`1`(`真正的`)

`DataAugmentation`- - - - - -数据增加转换
`“没有”`(默认)|`“randcrop”`|`“randfliplr”`|单元阵列的`“randcrop”`和`“randfliplr”`

`的名字`- - - - - -层的名字
`”`(默认)|特征向量|字符串标量

`NumInputs`- - - - - -输入数量
0(默认)

`InputNames`- - - - - -输入名字
`{}`(默认)

`NumOutputs`- - - - - -数量的输出
`1`(默认)

`OutputNames`- - - - - -输出的名字
`{“出”}`(默认)

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™。

R2019b:`AverageImage`财产将被删除

R2019b:`imageInputLayer`和`image3dInputLayer`默认情况下,使用channel-wise正常化