functionLayer
功能层
描述
一层功能层指定函数适用于输入。
如果深入学习工具箱™不提供所需的层,你的任务,你可以定义新的层通过创建函数层使用functionLayer。功能层只支持操作,不需要额外的属性,可学的万博1manbetx参数或状态。对于需要此功能层,该层定义为一个自定义层。有关更多信息,请参见定义定制的深度学习层。
创建
属性
例子
Softsign层定义为功能层
创建一个功能层对象,softsign操作适用于输入。softsign操作的功能 。
层= functionLayer (@ X (X)。/ (1 + abs (X)))
层= FunctionLayer属性:名称:“PredictFcn: @ X (X) / (1 + abs (X)) Formattable: 0 Acceleratable: 0可学的参数没有属性。状态参数没有属性。显示所有属性
包括softsign层,指定为功能层,一层数组。指定层的描述“softsign”。
层= [imageInputLayer ([28 28 1]) convolution2dLayer (5、20) functionLayer (@ X (X)。/ (1 + abs (X)),描述=“softsign”)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”功能softsign 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
使用函数重新格式化数据层
创建一个功能层,将输入数据的格式“CB”(通道、批处理)的格式“南方浸信会”(空间、批处理、渠道)。指定层作用于格式化的数据,设置Formattable选项真正的。指定层函数支持加速使用万博1manbetxdlaccelerate,设置一个cceleratable选项真正的。
层= functionLayer (@ (X) dlarray (X,“南方浸信会”),Formattable = true, Acceleratable = true)
层= FunctionLayer属性:名称:“PredictFcn: @ (X) dlarray (X,“南方浸信会”)Formattable: 1 Acceleratable: 1可学的参数没有属性。状态参数没有属性。显示所有属性
包括一个功能层,重新格式化的输入格式“某人”在一层数组中。设置层的描述“空间通道”。
层= [featureInputLayer (10) functionLayer (@ (X) dlarray (X,“南方浸信会”),Formattable = true, Acceleratable = true,描述=“空间通道”)convolution1dLayer (16))
层= 3 x1层与层:数组1”功能输入10特性2”函数空间3“一维卷积16通道3 1步的卷积和填充[0 0]
在这个网络中,一维卷积层可变的“S”(空间)输入数据的维度。这个操作的卷积相当于“C”(频道)维度的网络输入数据。
层数组转换为一个dlnetwork对象,并通过一系列随机的数据的格式“CB”。
dlnet = dlnetwork(层);X =兰德(64);dlX = dlarray (X,“CB”);海底=前进(dlnet dlX);
视图的大小和格式输出数据。
大小(海底)
ans =1×364年8日16日
dim(海底)
ans =“渣打银行”
替换支持Keras层万博1manbetx和功能层
这个例子展示了如何导入层从pretrained Keras网络取代不支持层和功能层,和组装层准备网络预测。万博1manbetx
进口Keras网络
导入从Keras层网络模型。网络在“digitsNet.h5”分类的图像数字。
文件名=“digitsNet.h5”;层= importKerasLayers(文件名,ImportWeights = true)
警告:不能进口层。Keras层“激活”,不支持指定的设置。万博1manbetx问题是:激活类型不支持“softsign”。万博1manbetx
警告:不能进口层。Keras层“激活”,不支持指定的设置。万博1manbetx问题是:激活类型不支持“softsign”。万博1manbetx
警告:无法导入一些Keras层,因为他们是不支持的深度学习工具。万博1manbetx他们已经被占位符层。为了找到这些层,调用这个函数findPlaceholderLayers返回的对象。
层x1 = 13层阵列层:1“ImageInputLayer”图像输入28 x28x1图片2的conv2d二维卷积8 3 x3x1旋转步[1]和填充[0 0 0 0]3“conv2d_softsign”占位符层占位符“激活”Keras第四层“max_pooling2d”二维最大池2 x2马克斯池步(2 - 2)和填充[0 0 0 0]5“conv2d_1”二维卷积16 3 x3x8旋转步[1]和填充[0 0 0 0]6“conv2d_1_softsign”占位符层占位符“激活”Keras Layer 7“max_pooling2d_1”二维最大池2 x2马克斯池步(2 - 2)和填充[0 0 0 0]8“平面化”Keras平压平激活成一维假设c风格的(行)订单9“密集”完全连接100完全连接层的dense_relu ReLU ReLU 11“dense_1”完全连接10完全连接层12的dense_1_softmax Softmax Softmax 13 ClassificationLayer_dense_1 crossentropyex分类输出
Keras网络不支持包含一些层深度学习工具箱。万博1manbetx的importKerasLayers函数显示一个警告,取代了支持层,一层一层的占位符。万博1manbetx
替换占位符层
替换占位符层,首先识别层的名称来代替。发现使用占位符层findPlaceholderLayers函数。
placeholderLayers = findPlaceholderLayers(层)
placeholderLayers = 2 x1 PlaceholderLayer阵列层:1“conv2d_softsign”占位符层占位符“激活”Keras一层一层2的conv2d_1_softsign占位符的占位符“激活”Keras层
替换占位符和指定的功能层和功能层softsign函数,列出的例子。
创建一个指定的功能层的功能softsign功能,附加到这个例子作为支持文件。万博1manbetx访问这个函数,打开这个例子作为一个活的脚本。设置层的描述“softsign”。
层= functionLayer (@softsign、描述=“softsign”);
取代层使用replaceLayer函数。使用replaceLayer函数,第一层数组转换成一层图。
lgraph = layerGraph(层);lgraph = replaceLayer (lgraph,“conv2d_softsign”层);lgraph = replaceLayer (lgraph,“conv2d_1_softsign”层);
指定类名
如果导入的分类层不包含的类,那么您必须指定这些之前的预测。如果你不指定的类,然后软件自动设置类1,2、……N,在那里N类的数量。
找到的索引分类层通过查看层层的属性图。
lgraph.Layers
ans x1 = 13层阵列层:1“ImageInputLayer”图像输入28 x28x1图片2的conv2d二维卷积8 3 x3x1旋转步[1]和填充[0 0 0 0]3层的函数softsign 4“max_pooling2d”二维最大池2 x2马克斯池步(2 - 2)和填充[0 0 0 0]5“conv2d_1”二维卷积16 3 x3x8旋转步[1]和填充[0 0 0 0]6“layer_1”函数softsign 7“max_pooling2d_1”二维最大池2 x2马克斯池步(2 - 2)和填充[0 0 0 0]8“平面化”Keras平压平激活成一维假设c风格的(行)订单9“密集”完全连接100完全连接层的dense_relu ReLU ReLU 11“dense_1”完全连接10完全连接层12的dense_1_softmax Softmax Softmax 13 ClassificationLayer_dense_1 crossentropyex分类输出
分类层的名字“ClassificationLayer_dense_1”。查看分类层和检查类财产。
粘土= lgraph.Layers(结束)
粘土= ClassificationOutputLayer属性:名称:“ClassificationLayer_dense_1”类:“汽车”ClassWeights:“没有一个”OutputSize:‘汽车’Hyperparameters LossFunction:“crossentropyex”
因为类层的属性“汽车”,您必须手动指定的类。设置类0,1、……9,然后用新的代替进口分类层。
粘土。类=字符串(0:9); lgraph = replaceLayer(lgraph,“ClassificationLayer_dense_1”、粘土);
组装网络
组装层图使用assembleNetwork。函数返回一个DAGNetwork为预测对象,已经可以使用了。
净= assembleNetwork (lgraph)
网= DAGNetwork属性:层:x1 nnet.cnn.layer.Layer[13]连接:[12 x2表]InputNames: {“ImageInputLayer”} OutputNames: {“ClassificationLayer_dense_1”}
测试网络
做出预测与网络使用测试数据集。
[XTest,欧美]= digitTest4DArrayData;YPred =分类(净,XTest);
视图的准确性。
意思是(YPred = =次)
ans = 0.9900
可视化预测混淆矩阵。
YPred confusionchart(欧美)
扩展功能
版本历史
介绍了R2021b
