sequenceUnfoldingLayer
序列展开层
描述
序列展开层在序列折叠后恢复输入数据的序列结构。
若要使用序列展开层，必须连接miniBatchSize输出相应序列的折叠层miniBatchSize序列展开层的输入。示例请参见创建视频分类网络．
创建
属性
例子
创建序列展开层
创建一个序列展开层的名称“unfold1”．
图层= sequenceUnfoldingLayer(“名字”，“unfold1”）
层= SequenceUnfoldingLayer属性:Name: 'unfold1' numinput: 2 InputNames: {'in' 'miniBatchSize'}
创建视频分类网络
为包含图像序列的数据(如视频和医疗图像数据)创建深度学习网络。
要将图像序列输入到网络中，请使用序列输入层。
为了独立地对每个时间步应用卷积运算，首先使用序列折叠层将图像序列转换为图像数组。
要在执行这些操作后恢复序列结构，请使用序列展开层将该图像数组转换回图像序列。
要将图像转换为特征向量，使用扁平层。
然后可以将向量序列输入到LSTM和BiLSTM层。
定义网络架构
创建一个分类LSTM网络，将28 × 28灰度图像序列分为10个类。
定义以下网络架构:
输入大小为的序列输入层
[28 28 1]．一个包含20个5 × 5滤波器的卷积、批处理归一化和ReLU层块。
一个包含200个隐藏单元的LSTM层，只输出最后一个时间步长。
一个大小为10(类的数量)的完全连接层，后面是一个softmax层和一个分类层。
为了在每个时间步上独立地执行卷积运算，在卷积层之前包含一个序列折叠层。LSTM层期望向量序列输入。为了恢复序列结构，将卷积层的输出重塑为特征向量序列，在卷积层和LSTM层之间插入序列展开层和压平层。
inputSize = [28 28 1];filterSize = 5;numFilters = 20;numHiddenUnits = 200;numClasses = 10;图层= [.．.sequenceInputLayer (inputSize“名字”，“输入”) sequenceFoldingLayer (“名字”，“折”) convolution2dLayer (filterSize numFilters,“名字”，“conv”) batchNormalizationLayer (“名字”，bn的) reluLayer (“名字”，“relu”) sequenceUnfoldingLayer (“名字”，“展开”) flattenLayer (“名字”，“平”) lstmLayer (numHiddenUnits“OutputMode”，“最后一次”，“名字”，“lstm”) fullyConnectedLayer (numClasses“名字”，“俱乐部”) softmaxLayer (“名字”，“softmax”) classificationLayer (“名字”，“分类”));
将图层转换为图层图并连接miniBatchSize序列折叠层的输出到序列展开层的相应输入。
lgraph = layerGraph(图层);lgraph = connectLayers(lgraph，“折/ miniBatchSize”，“展开/ miniBatchSize”）;
查看最终的网络架构情节函数。
图绘制(lgraph)
扩展功能
另请参阅
bilstmLayer|classifyAndUpdateState|flattenLayer|gruLayer|lstmLayer|predictAndUpdateState|resetState|sequenceFoldingLayer|sequenceInputLayer
您也可以从以下列表中选择网站:
