imageInputLayer
图像输入层
创建
描述
返回一个图像输入层和指定层
= imageInputLayer (inputSize
)InputSize
财产。
设置可选层
= imageInputLayer (inputSize
,名称,值
)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
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:
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。
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
创建图像输入层
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R2016aR2019b: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”
。
Abrir比如
这种版本modificada德埃斯特比如。害怕Desea abrir埃斯特比如con sus modificaciones吗?
第一de MATLAB
Ha事实clic en联合国围绕此时一个埃斯特第一de MATLAB:
Ejecute el第一introduciendolo en la ventana de第一de MATLAB。洛杉矶navegadores网络没有admiten第一de MATLAB。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。