convolution1dLayer

一维卷积层

自从R2021b

扩展所有的页面

描述

一个一维卷积层滑动卷积过滤器适用于一维输入。层可变输入通过过滤器的输入和计算权重的点积和输入,然后添加一个偏差项。

层的尺寸可变取决于层输入:

时间序列和向量序列的输入(数据与三维空间的通道,观察,时间和步骤),可变层在时间维度。
对于一维图像输入(数据与三维空间对应像素,渠道,和观察),层可变空间维度。
对于一维图像序列输入(数据与四维空间对应像素,渠道,观察,和时间步长),层可变空间维度。

创建

语法

层= convolution1dLayer (filterSize numFilters)

层= convolution1dLayer (filterSize、numFilters Name =值)

描述

例子

层= convolution1dLayer (filterSize,numFilters)创建了一个一维卷积层和设置FilterSize和NumFilters属性。

层= convolution1dLayer (filterSize,numFilters,名称=值)还设置可选步,DilationFactor,NumChannels,参数和初始化,学习速率、正规化,的名字使用一个或多个属性名称参数。指定输入填充,使用填充名称-值参数。例如,convolution1dLayer(96填充= 1)创建了一个一维卷积与96过滤器的大小11层,并指定填充大小1的左和右层输入。

输入参数

全部展开

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

例子:convolution1dLayer(96填充= 1)创建了一个一维卷积与96过滤器的大小11层,并指定填充大小1的左和右层输入。

`填充`- - - - - -填充申请输入
`[0 0]`(默认)|`“相同”`|`“因果”`|非负整数|向量的非负整数

填充适用于输入,指定为以下之一:

“相同”——应用填充,这样大小的输出装天花板(inputSize /步),在那里inputSize是输入的长度。当步是1,输出是相同的大小作为输入。
“因果”——左填充应用于输入,等于(FilterSize - 1) * DilationFactor。当步是1,输出是相同的大小作为输入。
非负整数深圳——添加填充的大小深圳两端的输入。
向量(l r)非负整数的加衬垫的大小l左边和r右边的输入。

例子:填充= (2 - 1)添加填充大小2左边和大小1右边的输入。

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

属性

全部展开

卷积

`FilterSize`- - - - - -宽度的过滤器
正整数

这个属性是只读的。

宽度的过滤器,指定为一个正整数。

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

`NumFilters`- - - - - -数量的过滤器
正整数

这个属性是只读的。

的过滤器,指定为一个正整数。这个号码对应的层神经元数量输入连接到同一个地区。这个参数决定渠道的数量(特征图)层的输出。

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

`步`- - - - - -步长为遍历输入
`1`(默认)|正整数

步长为遍历输入,指定为一个正整数。

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

`DilationFactor`- - - - - -因素扩张卷积
`1`(默认)|正整数

因素扩张卷积(也称为深黑色的卷积),指定为一个正整数。

使用扩张增加接受域的卷积(输入层可以看到的面积)的层不增加参数的数量或计算。

层扩展每个滤芯过滤器插入0之间。膨胀系数确定的步长采样输入,或等价,滤波器的upsampling因素。它对应于一个有效的过滤器的大小(FilterSize - 1) * DilationFactor + 1。例如,一个1×3过滤器的膨胀系数2相当于1-by-5过滤与0之间的元素。

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

`PaddingSize`- - - - - -大小的填充
`[0 0]`(默认)|向量的两个非负整数

大小的衬垫适用于每一方的输入,指定为一个向量(l r)两个非负整数,l填充左边和吗r向右填充应用。

当您创建一个层,使用填充名称-值参数来指定填充大小。

数据类型:双

`PaddingMode`- - - - - -方法来确定填充大小
`“手动”`(默认)|`“相同”`|`“因果”`

这个属性是只读的。

方法来确定填充大小,指定为以下之一:

“手动”使用指定的整数或向量-垫填充。
“相同”——应用填充,这样大小的输出装天花板(inputSize /步),在那里inputSize是输入的长度。当步是1输入,输出是一样的。
“因果”——应用因果填充。与填充垫输入左边的大小(FilterSize - 1) * DilationFactor。

指定层填充,使用填充名称-值参数。

数据类型:字符

`PaddingValue`- - - - - -板数据值
`0`(默认)|标量|`“symmetric-include-edge”`|`“symmetric-exclude-edge”`|`“复制”`

这个属性是只读的。

板数据值,指定为以下之一:

`PaddingValue`	描述	例子
标量	垫与指定的标量值。	$(\begin{matrix} 3 & 1 & 4 \end{matrix}] \to (\begin{matrix} 0 & 0 & 3 & 1 & 4 & 0 & 0 \end{matrix}]$
`“symmetric-include-edge”`	垫使用镜像的输入值,包括边缘值。	$(\begin{matrix} 3 & 1 & 3 \end{matrix}] \to (\begin{matrix} 1 & 3 & 3 & 1 & 4 & 4 & 1 \end{matrix}]$
`“symmetric-exclude-edge”`	垫使用镜像的输入值,排除边缘值。	$(\begin{matrix} 3 & 1 & 4 \end{matrix}] \to (\begin{matrix} 4 & 1 & 3 & 1 & 4 & 1 & 3 \end{matrix}]$
`“复制”`	垫使用重复的边界元素的输入。	$(\begin{matrix} 3 & 1 & 3 \end{matrix}] \to (\begin{matrix} 3 & 3 & 3 & 1 & 4 & 4 & 4 \end{matrix}]$

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

`NumChannels`- - - - - -数量的输入通道
`“汽车”`(默认)|正整数

这个属性是只读的。

输入通道的数量,指定为以下之一:

“汽车”——自动确定培训时间输入通道的数量。
正整数——配置层指定数量的输入通道。NumChannels和的频道数层输入数据必须匹配。例如,如果输入是一个RGB图像NumChannels必须是3。如果输入是输出的卷积和16层过滤器,然后NumChannels必须是16。

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

参数和初始化

`WeightsInitializer`- - - - - -函数来初始化权重
`“glorot”`(默认)|`“他”`|`“narrow-normal”`|`“零”`|`“的”`|函数处理

初始化权重函数,指定为以下之一:

“glorot”——初始化权重Glorot初始值设定项[1](也称为Xavier初始化)。独立Glorot初始化一个均匀分布的样本均值为零,方差2 / (numIn + numOut),在那里numIn = FilterSize * NumChannels和numOut = FilterSize * NumFilters。
“他”——初始化权重的初始值设定项[2]。他初始化样本正态分布均值为零,方差2 / numIn,在那里numIn = FilterSize * NumChannels。
“narrow-normal”——初始化权重独立抽样从正态分布的均值为零,标准差为0.01。
“零”——初始化权重为零。
“的”——初始化权重的。
函数处理——使用一个自定义函数初始化权重。如果你指定一个函数处理,那么必须表单的功能重量= func(深圳),在那里深圳权重的大小。例如,看到的指定自定义权重的初始化函数。

层只初始化时的重量权重属性是空的。

数据类型:字符|字符串|function_handle

`BiasInitializer`- - - - - -函数来初始化的偏见
`“零”`(默认)|`“narrow-normal”`|`“的”`|函数处理

函数来初始化偏见,指定为以下之一:

“零”——初始化与零偏差。
“的”——初始化偏见的。
“narrow-normal”——初始化倾向独立抽样从正态分布的均值为零,标准差为0.01。
函数处理与一个自定义函数,初始化偏见。如果你指定一个函数处理,那么必须表单的功能偏见= func(深圳),在那里深圳偏差的大小。

层只初始化时的偏见偏见属性是空的。

数据类型:字符|字符串|function_handle

`权重`- - - - - -层的重量
`[]`(默认)|数字数组

层权重的转置卷积操作,指定为一个FilterSize——- - - - - -NumChannels——- - - - - -numFilters数字数组或[]。

层权重可学的参数。您可以指定权重的初始值直接使用权重层的属性。当你训练一个网络,如果权重属性层的非空的trainNetwork使用权重属性的初始值。如果权重属性是空的,那么trainNetwork使用指定的初始化程序WeightsInitializer层的属性。

数据类型:单|双

`偏见`- - - - - -层的偏见
`[]`(默认)|数字数组

层偏见的转置卷积操作,指定为1×-NumFilters数字数组或[]。

层偏差是可学的参数。当你训练一个神经网络,如果偏见非空的,那么trainNetwork使用偏见属性的初始值。如果偏见是空的,然后trainNetwork使用指定的初始化程序BiasInitializer。

数据类型:单|双

学习速率、正规化

`WeightLearnRateFactor`- - - - - -学习速率因子权重
`1`(默认)|负的标量

学习速率因子权重,指定为负的标量。

软件由全球学习速率繁殖这个因素确定权重的学习速率这一层。例如,如果WeightLearnRateFactor是2,然后在这一层权值的学习速率是当前全球学习速率的两倍。全球学习速率决定了基于的软件设置您指定使用trainingOptions函数。

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

`BiasLearnRateFactor`- - - - - -学习速率因子偏见
`1`(默认)|负的标量

学习速率因子的偏见,指定为负的标量。

软件由全球学习速率繁殖这个因素来确定学习速率的偏见在这一层。例如,如果BiasLearnRateFactor是2,那么学习速率的偏见层是当前全球学习速率的两倍。全球学习速率决定了基于的软件设置您指定使用trainingOptions函数。

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

`WeightL2Factor`- - - - - -l₂正则化因子权重
1(默认)|负的标量

l₂正则化因子权重,指定为负的标量。

全球的软件增加这个因素l₂正则化因子来确定l₂正则化这一层的权重。例如,如果WeightL2Factor是2,那么l₂正则化这一层的权重是全球的两倍l₂正则化因子。您可以指定全球l₂正则化因子使用trainingOptions函数。

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

`BiasL2Factor`- - - - - -l₂正则化因子的偏见
`0`(默认)|负的标量

l₂正则化因子的偏见,指定为负的标量。

全球的软件增加这个因素l₂正则化因子来确定l₂在这一层正规化的偏见。例如,如果BiasL2Factor是2,那么l₂正规化的偏见这一层是全球的两倍l₂正则化因子。决定了全球的软件l₂正则化因子的基础上,设置您指定使用trainingOptions函数。

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

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
`1`(默认)

这个属性是只读的。

输入层的数量。这一层只接受一个输入。

数据类型:双

`InputNames`- - - - - -输入名字
`{"在"}`(默认)

这个属性是只读的。

输入层的名称。这一层只接受一个输入。

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

创建一维卷积层

打开生活的脚本

创建一个一维卷积11层96过滤器的宽度。

层= convolution1dLayer (96)

层= Convolution1DLayer属性:名称:“Hyperparameters FilterSize: 11 NumChannels:“汽车”NumFilters: 96步:1 DilationFactor: 1 PaddingMode:“手动”PaddingSize: [0 0] PaddingValue: 0可学的参数权重:[]偏见:[]显示所有属性

包括一维卷积层中层数组中。

层= [sequenceInputLayer(3,最小长度= 20)convolution1dLayer (96) reluLayer globalMaxPooling1dLayer fullyConnectedLayer (10) softmaxLayer classificationLayer]

层x1 = 7层阵列层:1“序列输入序列与三维输入2”一维卷积96 11旋转步1和填充[0 0]3”ReLU ReLU 4”一维全球最大池一维全球最大池5“完全连接10完全连接层6”Softmax Softmax crossentropyex 7”分类输出

算法

全部展开

一维卷积层

一个一维卷积层滑动卷积过滤器适用于一维输入。层可变输入通过过滤器的输入和计算权重的点积和输入,然后添加一个偏差项。

层的尺寸可变取决于层输入:

时间序列和向量序列的输入(数据与三维空间的通道,观察,时间和步骤),可变层在时间维度。
对于一维图像输入(数据与三维空间对应像素,渠道,和观察),层可变空间维度。
对于一维图像序列输入(数据与四维空间对应像素,渠道,观察,和时间步长),层可变空间维度。

层的输入和输出格式

层一层一层数组或图后续层传递数据格式化dlarray对象。的格式dlarray对象是一个字符串,其中每个字符描述相应的维度的数据。这些字符的格式由一个或多个:

“S”——空间
“C”——频道
“B”——批
“T”——时间
“U”——未指明的

例如,您可以代表向量序列数据作为一个三维数组,第一个维度对应通道的维度,第二维度对应批维度,第三维对应于时间维度。这表示格式“认知行为治疗”(通道、批量、时间)。

你可以与这些交互dlarray对象等自动分化工作流开发一个自定义图层,使用functionLayer对象,或使用向前和预测功能与dlnetwork对象。

此表显示了支持输入格式万博1manbetxConvolution1DLayer对象和相应的输出格式。如果输出层的传递给一个定制的层不继承nnet.layer.Formattable类,或FunctionLayer对象的Formattable属性设置为0(假),然后层接收未格式化dlarray对象的尺寸要求相应的这个表的格式。

输入格式	输出格式
`“渣打银行”`(空间、通道、批处理)	`“渣打银行”`(空间、通道、批处理)
`“认知行为治疗”`(通道、批量、时间)	`“认知行为治疗”`(通道、批量、时间)
`“SCBT”`(空间、通道、批量、时间)	`“SCBT”`(空间、通道、批量、时间)

在dlnetwork对象,Convolution1DLayer对象也支持这些输入和输出格万博1manbetx式的组合。

输入格式	输出格式
`“SC”`(空间、通道)	`“SC”`(空间、通道)
`“CT”`(通道、时间)	`“CT”`(通道、时间)
`“SCT”`(空间、通道、时间)	`“SCT”`(空间、通道、时间)

引用

[1]Glorot,泽维尔,Yoshua Bengio。“理解的难度训练前馈神经网络。”在《十三人工智能国际会议上和统计,249 - 356。意大利撒丁岛:AISTATS, 2010。https://proceedings.mlr.press/v9/glorot10a/glorot10a.pdf

[2]他开明、象屿张任Shaoqing,剑太阳。“深深入整流器:超越人类表现ImageNet分类。”在学报2015年IEEE计算机视觉国际会议,1026 - 1034。华盛顿特区:IEEE计算机视觉的社会,2015年。https://doi.org/10.1109/ICCV.2015.123

版本历史

介绍了R2021b

另请参阅

convolution1dLayer

描述

创建

语法

描述

输入参数

填充- - - - - -填充申请输入[0 0](默认)|“相同”|“因果”|非负整数|向量的非负整数

属性

卷积

FilterSize- - - - - -宽度的过滤器正整数

NumFilters- - - - - -数量的过滤器正整数

步- - - - - -步长为遍历输入1(默认)|正整数

DilationFactor- - - - - -因素扩张卷积1(默认)|正整数

PaddingSize- - - - - -大小的填充[0 0](默认)|向量的两个非负整数

PaddingMode- - - - - -方法来确定填充大小“手动”(默认)|“相同”|“因果”

PaddingValue- - - - - -板数据值0(默认)|标量|“symmetric-include-edge”|“symmetric-exclude-edge”|“复制”

NumChannels- - - - - -数量的输入通道“汽车”(默认)|正整数

参数和初始化

WeightsInitializer- - - - - -函数来初始化权重“glorot”(默认)|“他”|“narrow-normal”|“零”|“的”|函数处理

BiasInitializer- - - - - -函数来初始化的偏见“零”(默认)|“narrow-normal”|“的”|函数处理

权重- - - - - -层的重量[](默认)|数字数组

偏见- - - - - -层的偏见[](默认)|数字数组

学习速率、正规化

WeightLearnRateFactor- - - - - -学习速率因子权重1(默认)|负的标量

BiasLearnRateFactor- - - - - -学习速率因子偏见1(默认)|负的标量

WeightL2Factor- - - - - -l2正则化因子权重1(默认)|负的标量

BiasL2Factor- - - - - -l2正则化因子的偏见0(默认)|负的标量

层

的名字- - - - - -层的名字”(默认)|特征向量|字符串标量

NumInputs- - - - - -输入数量1(默认)

InputNames- - - - - -输入名字{"在"}(默认)

NumOutputs- - - - - -数量的输出1(默认)

OutputNames- - - - - -输出的名字{“出”}(默认)

例子

创建一维卷积层

算法

一维卷积层

层的输入和输出格式

引用

版本历史

另请参阅

主题

`填充`- - - - - -填充申请输入
`[0 0]`(默认)|`“相同”`|`“因果”`|非负整数|向量的非负整数

`FilterSize`- - - - - -宽度的过滤器
正整数

`NumFilters`- - - - - -数量的过滤器
正整数

`步`- - - - - -步长为遍历输入
`1`(默认)|正整数

`DilationFactor`- - - - - -因素扩张卷积
`1`(默认)|正整数

`PaddingSize`- - - - - -大小的填充
`[0 0]`(默认)|向量的两个非负整数

`PaddingMode`- - - - - -方法来确定填充大小
`“手动”`(默认)|`“相同”`|`“因果”`

`PaddingValue`- - - - - -板数据值
`0`(默认)|标量|`“symmetric-include-edge”`|`“symmetric-exclude-edge”`|`“复制”`

`NumChannels`- - - - - -数量的输入通道
`“汽车”`(默认)|正整数

`WeightsInitializer`- - - - - -函数来初始化权重
`“glorot”`(默认)|`“他”`|`“narrow-normal”`|`“零”`|`“的”`|函数处理

`BiasInitializer`- - - - - -函数来初始化的偏见
`“零”`(默认)|`“narrow-normal”`|`“的”`|函数处理

`权重`- - - - - -层的重量
`[]`(默认)|数字数组

`偏见`- - - - - -层的偏见
`[]`(默认)|数字数组

`WeightLearnRateFactor`- - - - - -学习速率因子权重
`1`(默认)|负的标量

`BiasLearnRateFactor`- - - - - -学习速率因子偏见
`1`(默认)|负的标量

`WeightL2Factor`- - - - - -l₂正则化因子权重
1(默认)|负的标量

`BiasL2Factor`- - - - - -l₂正则化因子的偏见
`0`(默认)|负的标量

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

`NumInputs`- - - - - -输入数量
`1`(默认)

`InputNames`- - - - - -输入名字
`{"在"}`(默认)

`NumOutputs`- - - - - -数量的输出
`1`(默认)

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