crossChannelNormalizationLayer

通道局部响应规范化层

全部展开页面

描述

信道本地响应(跨信道)归一化层执行信道归一化。

创建

语法

层= crossChannelNormalizationLayer (windowChannelSize)

层= crossChannelNormalizationLayer (windowChannelSize、名称、值)

描述

层= crossChannelNormalizationLayer (windowChannelSize）创建通道上的本地响应规格化层并设置WindowChannelSize财产。

例子

层= crossChannelNormalizationLayer (windowChannelSize，名称,值）设置可选属性WindowChannelSize，α，β，K,的名字使用名称-值对。例如,crossChannelNormalizationLayer(5“K”1)创建一个局部响应规格化层用于通道方向的规格化，窗口大小为5和Khyperparameter 1。可以指定多个名称-值对。将每个属性名用单引号括起来。

属性

全部展开

横跨海峡的正常化

`WindowChannelSize`- - - - - -通道窗口的大小
正整数

通道窗口的大小，它控制用于对每个元素进行标准化的通道数量，指定为正整数。

如果WindowChannelSize是偶数，则窗口是不对称的。该软件着眼于以前地板((w1) / 2)渠道及以下地板(w / 2)频道。例如,如果WindowChannelSize是4，然后层正常化每个元素由它的邻居在前两个通道和它的邻居在下两个通道。

例子:5

`α`- - - - - -αhyperparameter在正常化
0.0001(默认)|数字标量

α归一化(乘数项)中的超参数，指定为数字标量。

例子:0.0002

`β`- - - - - -βhyperparameter在正常化
０.７５(默认)|数字标量

β规格化中的超参数，指定为数字标量。的价值β必须大于或等于0.01。

例子:0．8

`K`- - - - - -K归一化中的超参数
2(默认)|数字标量

K规格化中的超参数，指定为数字标量。的价值K必须大于或等于10^－５．

例子:2．5

层

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

层名，指定为字符向量或字符串标量。若要在层图中包含层，必须指定非空的唯一层名。如果你用层和的名字被设置为＇＇，然后软件在训练时自动为该层分配一个名称。

数据类型:字符|字符串

`NumInputs`- - - - - -输入数量
1(默认)

层的输入数。这一层只接受单个输入。

数据类型:双

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

输入层名。这一层只接受单个输入。

数据类型:细胞

`NumOutputs`- - - - - -数量的输出
1(默认)

层输出的数量。这一层只有一个输出。

数据类型:双

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

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

创建本地响应标准化层

打开生活的脚本

为通道规范化创建一个本地响应规范化层，其中由五个通道组成的窗口对每个元素进行规范化，并为标准化器添加常量 $K$ 是1。

层= crossChannelNormalizationLayer (5“K”, 1)

layer = CrossChannelNormalizationLayer带有属性:Name: " Hyperparameters WindowChannelSize: 5 Alpha: 1.0000e-04 Beta: 0.7500 K: 1

中包含一个局部响应规格化层层数组中。

层= [．．.imageInputLayer([28 28 1])卷积2dlayer (5,20) reluLayer crossChannelNormalizationLayer(3) fulllyconnectedlayer (10) softmaxLayer classificationLayer]

图层数组:1”的形象输入28 x28x1图像zerocenter正常化2”卷积20 5 x5旋转步[1]和填充[0 0 0 0]3”ReLU ReLU 4”横通道正常化横通道正常化与3频道每个元素5“完全连接10完全连接层6”Softmax Softmax 7”分类输出crossentropyex

限制

此层不支持三维图像输入或矢量序列输入。万博1manbetx

参考文献

Krizhevsky, A. I. Sutskever和G. E. Hinton。基于深度卷积神经网络的图像网络分类神经信息处理系统研究进展．25卷,2012年。

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

GPU的代码生成
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。

另请参阅

averagePooling2dLayer|convolution2dLayer|maxPooling2dLayer

主题

介绍了R2016a

crossChannelNormalizationLayer

描述

创建

语法

描述

属性

横跨海峡的正常化

`WindowChannelSize`- - - - - -通道窗口的大小
正整数

`α`- - - - - -αhyperparameter在正常化
0.0001(默认)|数字标量

`β`- - - - - -βhyperparameter在正常化
０.７５(默认)|数字标量

`K`- - - - - -K归一化中的超参数
2(默认)|数字标量

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

创建本地响应标准化层

限制

更多关于

当地反应正常化

参考文献

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

GPU的代码生成
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。

另请参阅

主题

深度学习工具箱文档

万博1manbetx

介绍基于MATLAB的深度学习

crossChannelNormalizationLayer

描述

创建

语法

描述

属性

横跨海峡的正常化

WindowChannelSize- - - - - -通道窗口的大小正整数

α- - - - - -αhyperparameter在正常化0.0001(默认)|数字标量

β- - - - - -βhyperparameter在正常化０.７５(默认)|数字标量

K- - - - - -K归一化中的超参数2(默认)|数字标量

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

创建本地响应标准化层

限制

更多关于

当地反应正常化

参考文献

扩展功能

C / c++代码生成使用MATLAB®Coder™生成C和c++代码。

GPU的代码生成使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。

另请参阅

主题

深度学习工具箱文档

万博1manbetx

介绍基于MATLAB的深度学习

`WindowChannelSize`- - - - - -通道窗口的大小
正整数

`α`- - - - - -αhyperparameter在正常化
0.0001(默认)|数字标量

`β`- - - - - -βhyperparameter在正常化
０.７５(默认)|数字标量

`K`- - - - - -K归一化中的超参数
2(默认)|数字标量

`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)

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

GPU的代码生成
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。