主要内容
sequencfoldinglayer.
序列展开层
创建
特性
例子
创建序列展开层
使用名称创建序列展开层'展开1'。
tillay = sequencunfoldinglayer（'名称'那'展开1'）
layer = sequenceUnfoldinglayer具有属性：名称：'展开1'numinputs：2输入名称：{'IN''minibatchsize'}
为视频分类创建网络
为包含图像序列的数据创建深度学习网络，例如视频和医学图像数据。
要将图像序列输入到网络中，请使用序列输入层。
为了将卷积操作独立应用于每次步骤，首先使用序列折叠层将图像的序列转换为图像阵列。
要在执行这些操作后恢复序列结构，请使用序列展开层将此阵列图像转换回图像序列。
要将图像转换为特征向量，请使用扁平层。
然后，您可以将向量序列输入到LSTM和Bilstm层中。
定义网络架构
创建一个分类LSTM网络，将28-×28灰度图像的序列分类为10类。
定义以下网络架构：
具有输入大小的序列输入层
[28 28 1]。具有20个5×5滤波器的卷积，批量归一化和Relu层块。
一个LSTM层，具有200个隐藏单元，仅输出最后一次步骤。
完全连接的大小10（类数），后跟软MAX层和分类层。
为了独立地在每次上执行卷积操作，包括卷积层之前的序列折叠层。LSTM层预计向量序列输入。为了恢复序列结构并将卷积层的输出重新塑造到特征向量的序列，在卷积层和LSTM层之间插入序列展开层和平坦层。
输入= [28 28 1];filtersize = 5;numfilters = 20;numhidendunits = 200;numclasses = 10;层= [......sequenceInputLayer（输入，'名称'那'输入'）SechandFoldingLayer（'名称'那'折叠'）卷积2dlayer（过滤，numfilters，'名称'那'conv'batchnormalizationlayer（'名称'那'bn'）剥离（'名称'那'relu'）SequencunfoldingLayer（'名称'那'展开'）Flattenlayer（'名称'那'扁平'）lstmlayer（numhidendunits，'OutputMode'那'最后的'那'名称'那'lstm'）全连接列（numcrasses，'名称'那'fc'）softmaxlayer（'名称'那'softmax'scassificationlayer（'名称'那'分类'）];
将图层转换为图层图并连接小匹匹匹匹配序列折叠层的输出到序列展开层的相应输入。
Lgraph = LayerGraph（层）;Lgraph = ConnectLayers（LAPHAGE，'折叠/小纤维'那'展开/小贴士'）;
使用介绍最终网络架构阴谋功能。
图绘图（LGROP）
扩展能力
也可以看看
Bilstmlayer.|classifyandupdateState.|Flattenlayer.|格拉勒|lstmlayer.|predictandanddatestate.|重置静止|SequenceFoldingLayer.|sequenceInputlayer.
在R2019A介绍
您还可以从以下列表中选择一个网站：
