。
Convolution2Dlayer.
2次元畳み込み层
说明
2次元次元畳み込み层，入力にスライディング畳み込みフィルターをし。この层では，入力に沿って垂直および水平方向にををさせ，重みと入のドットを计算，バイアス项を加入こと，入入を畳み込み。
作作者
说明
层= Convolution2Dlayer（过滤那numfilters.）过滤プロパティおよびnumfilters.プロパティを设定します。
层= Convolution2Dlayer（过滤那numfilters.那名称，价值）步行那稀释物料那NumChannels.那パラメーターパラメーターと期化那学习率率正析化，および名称の各プロパティを设定します入力パディングを指定するには，名称と値のペアの幂'填充'たとえば，Convolution2dlayer（11,96，'stride'，4，'填充'，1）は，サイズ[11 11]の96个のフィルター，[4 4]のストライド，层层の力ののすべて端ににたサイズサイズのゼロパディングを持つ持つ复の畳み込み层作持つし各名称と値を指定できます。囲みます。
入力数
プロパティ
例
详细
畳み込み层
2次元次元畳み込み层，入力にスライディング畳み込みフィルターをし。この层では，入力に沿って垂直および水平方向にををさせ，重みと入のドットを计算，バイアス项を加入こと，入入を畳み込み。
畳み込み层ははさまざまななコンポーネントで构构されれ[1]
畳み込み层は，入力イメージまたは前层の出ののににするニューロンで构构さますニューロンは，イメージは，イメージスキャンする间に，これらの领域でするされた徴领域でさ。关联Convolution2Dlayer.をを用して层を作物过滤をを使て，これらの领域のサイズをできできます。
各领域に対してに対して，关节Trainnetwork.が重みと入のドット积をし，バイアス项を加入し。イメージイメージの领域にに适适セットセットセットセットはれる重みのセットセットははれるのセットセット“フィルター”とと呼ばれれます沿っは入イメージにて垂直向向およびおよびおよび水向向にににに向つまりつまりつまりつまりつまり领域に対して同じ计算を缲り返し畳み込みますますつまりつまり领域领域に対して同じ同じを畳み込み向向向
。
フィルターが动弹に使使サイズは“ストライド”とと呼ばれれ。ステップステップサイズ，名称と値のペアの数步行を使使て指定できますは所局领域领域领域领域领域领域领域领域过滤および'走吧'の値によっては重なる可性性があります。
次のイメージは，ストライド2でで力をする3行3列のフィルターをています。下载のマップは入を表し，上侧のマップは力を表し表し。
フィルターフィルター重みの数号，h * w * cです.hはフィルターの高，wはフィルターの幅，cはは力のチャネルチャネル。たとえば，入力がイメージイメージののの，カラーカラーのは3です。关联数によって，畳み込み层にあるあるののチャネル数が决まり。关键词Convolution2Dlayer.の数numfilters.をを使し，フィルターフィルター数量指定し。
膨张畳み込みとは，フィルターの要素间に插入され空间によってフィルターが张される畳み込みです。'膨胀因子'プロパティを使使使膨膨膨张数を指定します。
膨张畳み込みを使し，パラメーターパラメーター数量计算を増やさ，层の受容野（层で确认できるできるの）ををことができます。
各フィルター要素间にゼロ插入すると，层のフィルターが拡张されれれれれれれこれとであるフィルターステップアップサンプリングこれを决定ししのサンプリングを决定しししアップサンプリングを决定しししアップサンプリングを决定しししサンプリングを决定フィルターサイズ（过滤尺寸 - 1）。*扩张因子+ 1に相当します。たとえば，膨张数数[2]の3行3列のは，要素间にゼロが插入さた5行5列のフィルターと等価等価。
次次イメージは，入力をスキャンする，系数2でで张管理器さた3行3列のフィルターをいいます。下载のマップ入入を表し，上侧のマップ入力を表します。
フィルターがが力に沿っててするするにて，畳み込みと同じ重みのと同じバイアス使使てて，“特价マップ”がが成され。そのためたのですそのし，特种マップ结果フィルターに等しくなりははに等しくますははになりますますのになります。，（（h * w * c + 1）*过滤器数）になります。ここここ，1はバイアスに相当し。
名称と値のペアペアの数'填充'を使用して，入力イメージの垂直向水平方向のゼロゼロパディングを适ますますとはれゼロの境界と列さたの境界とです。パディングを调整するによりにより。のの力サイズを制御できます。
次次イメージは，サイズ1のパディングで入入をする3行3列のフィルター示しいます。下载のマップはを表し，上侧のは入力を表し表し。
畳み込み层ののの高于さと幅は（输入尺寸 - （（滤波尺寸 - 1）*扩张因子+ 1）+ 2 *填充）/步幅+ 1です。このこの値，イメージ全体を完全カバーする数でなければなりません。これらのオプションの组みわせでイメージ全ををにカバーできない场场は，畳み込みの右端は，畳み込みイメージのとのにての残りののがさますますされれ。
出力の高さと幅积积によってによってによってによってによってによってののののののの积がられます。畳み込み畳み込みのられますます。畳み込み畳み込みのられますます。畳み込み，地图尺寸*滤波器数量にになり数。
たとえば，入力イメージが32 x 32 x 3のカラーであるとします畳み込み层层，フィルターのフィルターを畳み込み层で，フィルターサイズが5 x 5のの场场あたり重み重み数码5 * 5 * 3 =75，层层パラメーターパラメーターのは（75 + 1）* 8 = 608になります。各方向のストライドが2で，パディングのサイズてて2が指定されているいる合书，各特价マップは16 x 16ににますこれ，（32 - 5 + 2 * 2）/ 2 + 1 = 16.5，イメージの右侧と下载で外侧のゼロののがが破弃されるためためため的破弃破弃されるため。のニューロンのの数は16 * 16 * 8 = 2048になります。
これらこれらのニューロンからの结果结果通讯，正规化纤ユニット（Relu）など，なんらかの形の非非性を通讯。
畳み込み畳み込みのを行うに，名称と値のペアのを使ててできオプションををしできますをオプション指定しないこと选択をしないないをしたしないない选択しししないないない选択しし场ないこと选択したないないこと选択たた场ないないをしし场ないないをした场场ない选択选択た场ないないをしし场场ない选択选択し场场ないこと选択Trainnetwork.は关节培训选项で定义されたグローバルオプションオプションを使します。グローバル学习オプションと层の学习习の详细は，パラメーターパラメーターの设定とと畳み込みニューラルネットワーク学习を参照してください。
畳み込み以上のは层でさはさ。
互换性の考虑事项
参照
[1] Lecun，Y.，B. Boser，J.S. Denker，D. Henderson，R. E. Howard，W. Hubbard和L. D. Akel。“用背传播网络手写的数字识别。”在神经信息处理系统2（D. Touretzky，ED）的进步中。旧金山：摩根Kaufmann，1990。
[2] Lecun，Y.，L.Pottou，Y.Bengio和P. Haffner。“基于渐变的学习应用于文件识别。”IEEE的程序。卷。86，第11,1998号，第2278-2324页。
[3]墨菲，K。P.机器学习：概率的观点。剑桥，马：2012年MIT Press。
[4] Glorot，Xavier和Yoshua Bengio。“了解训练深馈神经网络的难度。”在第十三国际人工智能和统计会议上的诉讼程序中，第249-256。2010年。
[5]他，Kaiming，湘雅张，邵庆仁，剑孙。“深入研究整流器：超越了在想象集分类上的人力水平表现。”在IEEE计算机愿景国际会议上，第1026-1034届会议。2015年。
拡张机械
参考
BatchnormalizationLayer.|全康统计层|groupedconvolution2dlayer.|maxpooling2dlayer.|抵押者|Trainnetwork.|ディープネットワークデザイナー
您还可以从以下列表中选择一个网站：
