主要内容

averagePooling2dLayer

平均池层

扩展所有的页面

描述

二维平均池层执行downsampling除以输入矩形池区域,然后计算每个区域的平均值。

创建

语法

层= averagePooling2dLayer (poolSize)
层= averagePooling2dLayer (poolSize、名称、值)

描述

层= averagePooling2dLayer (poolSize)创建一个平均池层和设置PoolSize财产。

例子

层= averagePooling2dLayer (poolSize,名称,值)设置可选步和的名字属性使用名称-值对。指定输入填充,使用“填充”名称-值对的论点。例如,averagePooling2dLayer(2步,2)创建一个平均池层与池的大小(2 - 2)和步(2 - 2)。您可以指定多个名称-值对。在单引号附上每个属性的名字。

输入参数

全部展开

名称-值参数

使用逗号分隔的名称-值对参数来指定大小的补零添加沿着边缘层的输入或设置步和的名字属性。在单引号附上名字。

例子:averagePooling2dLayer(2步,2)创建一个平均池层与池的大小(2 - 2)和步(2 - 2)。

输入边缘填充,指定为逗号分隔组成的“填充”这些值之一:

  • “相同”——添加填充大小计算软件的培训或预测时间,输出具有相同的大小作为输入时,步幅等于1。如果跨越大于1,那么输出大小装天花板(inputSize /步),在那里inputSize的高度或宽度输入和步在相应的维度是进步。软件增加了相同数量的顶部和底部填充,和左和右,如果可能的话。如果必须添加垂直的填充一个奇怪的价值,那么软件添加额外的衬垫底部。如果必须添加的填充水平有一个奇怪的价值,然后软件添加额外的填充。

  • 非负整数p——添加填充的大小p所有输入的边缘。

  • 向量[b]非负整数的加衬垫的大小一个顶部和底部的输入和衬垫的大小b左和右。

  • 向量[t b l r]非负整数的加衬垫的大小t前,b底部,l向左,r右边的输入。

例子:“填充”,1添加一行的顶部和底部填充,和一列填充左边和右边的输入。

例子:“填充”,“相同”添加填充,这样输出具有相同的大小作为输入(如果步幅等于1)。

属性

全部展开

平均分担

维度的池区域,指定为一个向量的两个正整数[w h],在那里h是身高和w是宽度。创建层时,您可以指定PoolSize作为一个两维标量使用相同的值。

如果跨维度步不到各自的池尺寸,然后池区域重叠。

填充的维度PaddingSize必须小于池地区维度PoolSize。

例子:(2 - 1)指定池地区高度2和宽度1。

步长为遍历输入垂直和水平两个正整数的指定为一个向量[b],在那里一个垂直步长和吗b是水平的步长。创建层时,您可以指定步作为一个两维标量使用相同的值。

如果跨维度步不到各自的池尺寸,然后池区域重叠。

填充的维度PaddingSize必须小于池地区维度PoolSize。

例子:3 [2]指定一个垂直的步长2和3的水平步长。

大小的衬垫适用于输入边界,指定为一个向量[t b l r]四个非负整数,t填充应用于顶部,b填充应用于底部,l是填充应用到左边,r向右填充应用。

当您创建一个层,使用“填充”名称-值对参数来指定填充大小。

例子:[1 1 2 2]添加一行的顶部和底部填充,和两列填充左边和右边的输入。

方法来确定填充大小,指定为“手动”或“相同”。

软件自动设置的值PaddingMode基于“填充”值指定在创建一个层。

  • 如果你设置“填充”选择一个标量或矢量的非负整数,那么软件自动设置PaddingMode来“手动”。

  • 如果你设置“填充”选项“相同”,那么软件自动设置PaddingMode来“相同”和计算填充在训练时间的大小,输出具有相同的大小作为输入时,步幅等于1。如果跨越大于1,那么输出大小装天花板(inputSize /步),在那里inputSize的高度或宽度输入和步在相应的维度是进步。软件增加了相同数量的顶部和底部填充,和左和右,如果可能的话。如果必须添加垂直的填充一个奇怪的价值,那么软件添加额外的衬垫底部。如果必须添加的填充水平有一个奇怪的价值,然后软件添加额外的填充。

用来垫输入值,指定为0或“的意思是”。

当你使用填充输入选项添加填充,填充的值应用可以是下列之一:

  • 0——输入与零填充在指定的位置填充财产。填充区域是包含在计算平均值的池沿边缘地区。

  • “的意思是”——输入填充池区域的均值在指定的位置填充选择。填充区域是有效地排除在计算每个池区域的平均值。

请注意

填充财产将在未来的版本中被删除。使用PaddingSize代替。当创建一个层,使用“填充”名称-值对参数来指定填充大小。

大小的衬垫适用于输入垂直和水平边界,指定为一个向量[b]两个非负整数,一个填充应用于输入数据和顶部和底部b填充用于左和右。

例子:[1]添加一行的顶部和底部填充,和一列填充左边和右边的输入。

层

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

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

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

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

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

打开生活的脚本

创建池平均层的名字“avg1”。

层= averagePooling2dLayer (2“名字”,“avg1”)
层= AveragePooling2DLayer属性:名称:‘avg1 Hyperparameters PoolSize:[2 2]大步:[1]PaddingMode:“手动”PaddingSize: [0 0 0 0] PaddingValue: 0

包括平均池层中层数组中。

层= […imageInputLayer([1] 28日28日)convolution2dLayer (5、20) reluLayer averagePooling2dLayer (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”ReLU ReLU 4”二维平均池2 x2平均池与步幅[1]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
打开生活的脚本

创建池层平均不重叠的集中地区。

层= averagePooling2dLayer (2“步”,2)
层= AveragePooling2DLayer属性:名称:“Hyperparameters PoolSize:[2 2]大步:[2 2]PaddingMode:“手动”PaddingSize: [0 0 0 0] PaddingValue: 0

高度和宽度的矩形区域(池大小)都是2。池区域不重叠,因为遍历图像垂直和水平方向的步长(步)也是2。

包括平均池层与不重叠的区域层数组中。

层= […imageInputLayer([1] 28日28日)convolution2dLayer (5、20) reluLayer averagePooling2dLayer (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”ReLU ReLU 4”二维平均池2 x2平均池步(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
打开生活的脚本

创建池平均层重叠的集中地区。

2层= averagePooling2dLayer ([3],“步”,2)
层= AveragePooling2DLayer属性:名称:“Hyperparameters PoolSize: 2[3]大步:[2 2]PaddingMode:“手动”PaddingSize: [0 0 0 0] PaddingValue: 0

这一层创建池区域的大小(3 - 2),每个地区的六个元素的平均值。因为池区域重叠步包括尺寸小于相应的池尺寸PoolSize。

包括平均池层重叠的池地区层数组中。

层= […imageInputLayer([1] 28日28日)convolution2dLayer (5、20) reluLayer averagePooling2dLayer (2 [3],“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”ReLU ReLU 4”二维平均池3 x2平均池步(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

算法

全部展开

引用

[1]Nagi, J。,F. Ducatelle, G. A. Di Caro, D. Ciresan, U. Meier, A. Giusti, F. Nagi, J. Schmidhuber, L. M. Gambardella. ''Max-Pooling Convolutional Neural Networks for Vision-based Hand Gesture Recognition''.IEEE国际会议在信号和图像处理应用程序(ICSIPA2011),2011年。

扩展功能

版本历史

介绍了R2016a

另请参阅

||

主题