imageInputLayer(深度学习工具箱)

图像输入层将二维图像输入到网络并应用数据归一化。

代码生成不支持万博1manbetx“归一化”使用函数句柄指定。

是的

是的

是的

sequenceInputLayer(深度学习工具箱)

序列输入层将序列数据输入到网络。

cuDNN库支持向量和二维图像序列。万博1manbetxTensorRT库只支持向量输入序列。万博1manbetx

对于向量序列输入，在代码生成过程中，特征的数量必须是一个常量。

对于图像序列输入，高度、宽度和通道数量在代码生成过程中必须是一个常量。

代码生成不支持万博1manbetx“归一化”使用函数句柄指定。

是的

是的

没有

convolution2dLayer(深度学习工具箱)

二维卷积层对输入应用滑动卷积滤波器。

是的

是的

是的

fullyConnectedLayer(深度学习工具箱)

完全连接的层将输入乘以权重矩阵，然后添加偏置向量。

是的

是的

没有

groupedConvolution2dLayer(深度学习工具箱)

2-D分组的卷积层将输入通道分成组并应用滑动卷积滤波器。使用分组的卷积层，用于通道 - 明智的可分离（也称为深度明智的可分离）卷积。

2-D分组的卷积层不支持ARM Mali GPU的代码生成万博1manbetxNumGroups属性设置为“channel-wise”或大于2的值。

是的

是的

是的

transposedConv2dLayer(深度学习工具箱)

一个转置的二维卷积层对特征地图进行采样。

是的

是的

是的

bilstmLayer(深度学习工具箱)

双向LSTM (BiLSTM)层学习时间序列或序列数据的时间步长之间的双向依赖关系。当您希望网络在每个时间步都从完整的时间序列中学习时，这些依赖关系可能非常有用。

用于代码生成，StateActivationFunction属性必须设置为的双曲正切。

用于代码生成，GateActivationFunction属性必须设置为“乙状结肠”。

是的

是的

没有

flattenLayer(深度学习工具箱)

平坦层将输入的空间维度折叠为通道维度。

是的

没有

没有

gruLayer(深度学习工具箱)

GRU层学习时间序列和序列数据中时间步长之间的依赖关系。

代码生成只支持万博1manbetx“after-multiplication”和“recurrent-bias-after-multiplication”重置门模式。

是的

是的

没有

lstmLayer(深度学习工具箱)

LSTM层学习时间序列和序列数据中时间步长的依赖关系。

用于代码生成，StateActivationFunction属性必须设置为的双曲正切。

用于代码生成，GateActivationFunction属性必须设置为“乙状结肠”。

是的

是的

没有

sequenceFoldingLayer(深度学习工具箱)

序列折叠层将一批图像序列转换为一批图像。使用序列折叠层对图像序列的时间步分别进行卷积运算。

是的

没有

没有

sequenceInputLayer(深度学习工具箱)

序列输入层将序列数据输入到网络。

cuDNN库支持向量和二维图像序列。万博1manbetxTensorRT库只支持向量输入序列。万博1manbetx

对于向量序列输入，在代码生成过程中，特征的数量必须是一个常量。

对于图像序列输入，高度、宽度和通道数量在代码生成过程中必须是一个常量。

代码生成不支持万博1manbetx“归一化”使用函数句柄指定。

是的

是的

没有

sequenceUnfoldingLayer(深度学习工具箱)

序列展开层在序列折叠后恢复输入数据的序列结构。

是的

没有

没有

wordEmbeddingLayer(文本分析工具箱)

词嵌入层将词索引映射到向量。

是的

是的

没有

clippedReluLayer(深度学习工具箱)

剪切的ReLU层执行一个阈值操作，其中小于0的输入值被设置为0，大于0的输入值被设置为0剪裁天花板都被设定为上限。

是的

是的

是的

eluLayer(深度学习工具箱)

ELU激活层在正输入上执行恒等运算，在负输入上执行指数非线性。

是的

是的

没有

leakyReluLayer(深度学习工具箱)

泄漏的ReLU层执行阈值操作，其中任何小于零的输入值乘以一个固定的标量。

是的

是的

是的

reluLayer(深度学习工具箱)

ReLU层对输入的每个元素执行一个阈值操作，其中任何小于0的值都被设置为0。

是的

是的

是的

softplusLayer(强化学习工具箱)

一个softpluslayer.是一个实现SOFTPLUS激活的深度神经网络层Y= log(1 + e^X)，确保输出总是正的

是的

是的

没有

tanhLayer(深度学习工具箱)

双曲正切(tanh)激活层对层输入应用tanh函数。

是的

是的

是的

batchNormalizationLayer(深度学习工具箱)

批规范化层对跨小批的每个输入通道进行规范化。

是的

是的

是的

crop2dLayer(深度学习工具箱)

2-D裁剪层将2-D裁剪应用于输入。

是的

是的

是的

crossChannelNormalizationLayer(深度学习工具箱)

信道方面的局部响应(跨信道)规范化层执行信道方面的规范化。

是的

是的

是的

dropoutLayer(深度学习工具箱)

dropout层以给定的概率将输入元素随机设置为零。

是的

是的

是的

scalingLayer(强化学习工具箱)

演员或批评网络的缩放层。

的值，用于代码生成“规模”和“偏见”属性必须具有相同的维度。

是的

是的

是的

普通Pooling2dlayer.(深度学习工具箱)

平均池化层通过将输入分割成矩形池化区域并计算每个区域的平均值来执行下采样。

是的

是的

是的

globalAveragePooling2dLayer(深度学习工具箱)

一个全局平均池化层通过计算输入的高度和宽度尺寸的平均值来执行下采样。

是的

是的

是的

globalMaxPooling2dLayer(深度学习工具箱)

一个全局最大池化层通过计算输入的最大高度和宽度尺寸来执行下采样。

是的

是的

是的

maxPooling2dLayer(深度学习工具箱)

最大池化层通过将输入分割成矩形池化区域，并计算每个区域的最大值来进行下采样。

是的

是的

是的

maxUnpooling2dLayer(深度学习工具箱)

最大的取消池层取消最大池层的输出池。

是的

是的

没有

additionLayer(深度学习工具箱)

添加层以元素方式添加来自多个神经网络层的输入。

是的

是的

是的

concatenationLayer(深度学习工具箱)

连接层接受输入，并沿着指定的维度连接输入。

是的

是的

没有

depthConcatenationLayer(深度学习工具箱)

深度连接层接受具有相同高度和宽度的输入，并沿着第三维(通道维)将它们连接起来。

是的

是的

是的

anchorBoxLayer(计算机视觉工具箱)

锚盒层存储用于目标检测网络中的特征图的锚盒。

是的

是的

是的

focalLossLayer(计算机视觉工具箱)

是的

是的

是的

spaceToDepthLayer(计算机视觉工具箱)

是的

是的

是的

ssdMergeLayer(计算机视觉工具箱)

SSD合并层将特征映射的输出进行合并，用于后续的回归和分类损失计算。

是的

是的

没有

rcnnBoxRegressionLayer(计算机视觉工具箱)

是的

是的

是的

rpnClassificationLayer(计算机视觉工具箱)

是的

是的

是的

Yolov2OutputLayer.(计算机视觉工具箱)

为YOLO v2对象检测网络创建输出层。

是的

是的

是的

YOLOv2ReorgLayer(计算机视觉工具箱)

为YOLO v2对象检测网络创建重组层。

是的

是的

是的

YOLOV2TRANSFORMLAYER.(计算机视觉工具箱)

创建YOLO v2对象检测网络的转换层。

是的

是的

是的

classificationLayer(深度学习工具箱)

分类层用于计算具有互斥类的多类分类问题的交叉熵损失。

是的

是的

是的

dicePixelClassificationLayer(计算机视觉工具箱)

骰子像素分类层使用广义骰子损耗为每个图像像素或体素提供分类标签。

是的

是的

是的

focalLossLayer(计算机视觉工具箱)

是的

是的

是的

输出层(深度学习工具箱)

所有输出层，包括使用创建的自定义分类或回归输出层nnet.layer.ClassificationLayer或nnet.layer.RegressionLayer。

有关用于定义自定义分类输出层并指定丢失功能的示例，请参阅定义自定义分类输出层(深度学习工具箱)。

有关展示如何定义自定义回归输出层并指定丢失功能的示例，请参阅定义自定义回归输出层(深度学习工具箱)。

是的

是的

是的

pixelClassificationLayer(计算机视觉工具箱)

像素分类层为每个图像像素或体素提供分类标签。

是的

是的

是的

rcnnBoxRegressionLayer(计算机视觉工具箱)

是的

是的

是的

regressionLayer(深度学习工具箱)

回归层计算回归问题的半平均误差损失。

是的

是的

是的

rpnClassificationLayer(计算机视觉工具箱)

是的

是的

是的

sigmoidLayer(深度学习工具箱)

一个sigmoid层应用一个sigmoid函数到输入。

是的

是的

是的

softmaxLayer(深度学习工具箱)

softmax层对输入应用softmax功能。

是的

是的

是的

nnet.keras.layer.FlattenCStyleLayer(深度学习工具箱)

按c风格(主要行)顺序将激活简化为1-D。

是的

是的

是的

nnet.keras.layer.GlobalAveragePooling2dLayer(深度学习工具箱)

空间数据的全球平均汇集层。

是的

是的

是的

nnet.keras.layer.SigmoidLayer(深度学习工具箱)

乙状结肠活化层。

是的

是的

是的

nnet.keras.layer.TanhLayer(深度学习工具箱)

双曲正切激活层。

是的

是的

是的

nnet.keras.layer.ZeroPadding2dLayer(深度学习工具箱)

零填充层为二维输入。

是的

是的

是的

nnet.onnx.layer.ElementwiseAffineLayer(深度学习工具箱)

一层，执行按元素顺序缩放输入，然后添加。

是的

是的

是的

nnet.onnx.layer.flattenlayer.(深度学习工具箱)

使输入张量的空间维数平坦于通道维数。

是的

是的

是的

nnet.onnx.layer.IdentityLayer(深度学习工具箱)

实现ONNX标识操作符的层。

是的

是的

是的

自定义图层

自定义图层，有或没有学习参数，您为您的问题定义。

要了解如何定义自定义深度学习层，请参见定义自定义深度学习层(深度学习工具箱)和为代码生成定义自定义深度学习层(深度学习工具箱)。

有关如何为具有自定义层的网络生成代码的示例，请参见使用YOLO v3深度学习进行目标检测的代码生成。

自定义层的输出必须是固定大小的数组。

使用“统一”随着mallocmode.在coder.gpuConfig需要额外的内存拷贝导致性能变慢。对于自定义层，建议使用“离散”模式。有关GPU内存分配的更多信息，请参见离散和管理模式

cuDNN目标支持自定义层的万博1manbetx行主代码和列主代码生成。TensorRT目标只支持以列为主万博1manbetx的代码生成。

不支持包含自定义层和LSTM或GRU层的序列网络的代码生成。万博1manbetx

Simulink不支持带有自定义层的深度学习网络的代码生成万博1manbetx万博1manbetx^®。

是的

是的

没有