。
2次元畳み込み层
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。
は,2次元畳み込み层を作物,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。
は,名称と値のペア使使て,オプションの层
= 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。
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
の各プロパティをします。名称を一般性地用符で囲み。
Convolution2Dlayer(3,16,'填充','同样')
は,サイズ[3]
の16个のフィルターと'相同的'
パディングを持つ,2次元畳み込み层を作物。学习时に,层のの力サイズがサイズととになる,ゼロパディングのの计算および设定れれますれれますますますますますます。
'填充'
-入力の端のパディング[0 0 0 0]
(既定値)|非负の分数のベクトル|'相同的'
入力の端のパディング。'填充'
と,次の値のいずれから成る区切りのとして指定します。
'相同的'
- ストライドが1である场综合,出力サイズが入力量サイズ同じになるように,学习时または予测时にが计算されたパディングサイズ计算さパディングパディングをしし。ストライドが1より大きい場合,出力サイズはCEIL(投入/迈出)
になります。ここここ,输入
はは力の高さまたは,步行
は対応する次元のストライドです。可能な場合,上下および左右に同じ量のパディングが追加されます。垂直方向に追加しなければならないパディングの値が奇数の場合,余ったパディングは下に追加されます。水平方向に追加しなければならないパディングの値が奇数の場合,余ったパディングは右に追加されます。
非负の数P.
- サイズP.
のパディングをを力のすべて端端に追します。
非负の分数のベクトル[A B]
- サイズ一种
のパディングをを力の上下に加加し,サイズB.
ののパディングを左右左右に追しし
非负の分数のベクトル[t b l r]
——サイズがT.
那B.
那L.
那R.
のパディングを,それぞれそれぞれ力の上,下,左,右に追します。
例:'填充',1
は,入力の上下に1行のパディングを追し,入力の左右ににのパディングパディング追追し。
例:'填充','同样'
は,(ストライドが1のの合)出力サイズが入サイズと同じになるににパディング同じに
过滤
-フィルターの高さとフィルターの高さと.2つの正のののの[H W]
として指定します。H
は高さ,W.
ははです。过滤
は,入力でニューロンがする局所领域サイズ定义しします。
层を作用成する合成,过滤
をスカラーとして指定し,高さと幅に同じ値値使使でき。
例:[5 5]
は,高さが5,幅が5のフィルターを指定ますます。
numfilters.
-フィルターの数フィルターフィルター整数として指定ます。この数は,入力の同じににする层のニューロンにしますニューロンこの対応し。を决定します。
例:96.
步行
-入力を走查するステップサイズ[1 1]
(既定値)|2つの正のののベクトル入力を垂直方向および水平方向に走查ステップサイズサイズサイズサイズ.2つの正の整のの[A B]
として指定します。一种
は垂直方向のステップサイズ,B.
は水平方向ののステップサイズサイズサイズサイズサイズサイズサイズサイズサイズする场场场步行
をスカラーとして指定し,両方のステップサイズに値値使使使。
例:[2 3]
は,垂直方向のステップとして2,水平方向のステップてて3を指定ます。
稀释物料
-膨张畳み込みの系数[1 1]
(既定値)|2つの正のののベクトル膨张畳み込み(无耻畳み込みとも呼ばれる)のの数.2つの正のののベクトル[H W]
として指定します。H
は垂直方向のの张,W.
は水平方向の膨张です。层层作品成する合,稀释物料
をスカラーとして指定して,水平方向と垂直垂直の方向の张に同じ値使使膨膨でき同じ値使使。
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。
例:[2 3]
拼接
-パディングのサイズ[0 0 0 0]
(既定値)|4つの非负の整数のベクトル入力の境界に适用するするのサイズ.4つの非负の整のの[t b l r]
として指定します。T.
は上に适适适パディングパディング,B.
は下载使用されるパディング,L.
は左に适使用されるパディング,R.
は右に适适适パディングパディング。
层の作用成时に,名称と値のペアペア幂'填充'
をを用してパディングのサイズ指定指定します。
例:[1 1 2 2]
は,入力の上下に1行のパディングを追加,入力の左右に2列のパディングを追加。
paddingMode.
-パディングパディングのサイズをを决定する'手动的'
(既定値)|'相同的'
パディングのサイズを决定メソッドメソッド。'手动的'
または'相同的'
として指定します。
paddingMode.
の値は,层の作物成时に指定した'填充'
値に基于て自动的に设定されます。
'填充'
オプションオプションをスカラーまたはまたは非负のののベクトルに设定设定した场场paddingMode.
は'手动的'
に自动的に设定されます。
'填充'
オプションを'相同的'
に设定したた合,paddingMode.
が'相同的'
ストライド自动的ににさされれがががである场,サイズ同じになるようにサイズ同じ习なるようパディングの计算さににストライドが1より大きい場合,出力サイズはCEIL(投入/迈出)
になります。ここここ,输入
はは力の高さまたは,步行
は対応する次元のストライドです。可能な場合,上下および左右に同じ量のパディングが追加されます。垂直方向に追加しなければならないパディングの値が奇数の場合,余ったパディングは下に追加されます。水平方向に追加しなければならないパディングの値が奇数の場合,余ったパディングは右に追加されます。
填充
-パディングのサイズ[0 0]
(既定値)|2つの非負の整数のベクトルメモ
填充
プロパティプロパティは将のリリースで削除される予定予定代わりに拼接
をを使しください。层の作用成时に,名称と値のペアペア幂'填充'
をを用してパディングのサイズ指定指定します。
入力の境界に垂直向水平方向に适するのサイズ.2つの非负ののののベクトル[A B]
として指定します。一种
はは力データの上下に适适れるパディング,B.
は左右に适适适パディングパディング。
例:[1 1]
は,入力の上下に1行のパディングを追し,入力の左右ににのパディングパディング追追し。
NumChannels.
-各フィルターのチャネルの数'汽车'
(既定値)|正の数各フィルターのチャネルチャネル数。'汽车'
または正の分数として指定ますます。
このパラメーターは,常に畳み込み层への入のののに等しくなりますののたとえばたとえばのののはの合金,入力のチャネルのはは现。现在の层の前に层层フィルターの16の场合,现处于の层のチャネルのは16です。
NumChannels.
が'汽车'
の结合,学习时にチャネルのが决定さます。
例:256.
掌控度
-重み重み寿期化相关数数'glorot'
(既定値)|'他'
|'窄正常'
|'zeros'
|'那些'
|关节数重み重み寿期化学相关。次次のいずれかに指定しし
'glorot'
- GLOROT初期化子[4](Xavier初期化子とも呼ばれる)をを使して重みををします.Glorot初初初寿期化,平等0,分享2 /(numin + numout)
の様ここにににににに。ここここ,numin = filtersize(1)* filtersize(2)* numchannels
およびnumout = filtersize(1)* filtersize(2)* numfilters
です。
'他'
- HE寿期化子[5]をを使用しして重みをををます。HE寿期化子,平等0,分享2 / numin.
の正式分布からサンプリングサンプリング行い。ここここ,numin = filtersize(1)* filtersize(2)* numchannels
です。
'窄正常'
- 平台0,标准偏差0.01の正式分布から个别にサンプリング行て,重み重みをってます。
'zeros'
- 0でで重みをを初ししし。
'那些'
- 1でで重みををしし。
关关ハンドル - カスタム关节で重みを化します。关键词相关,关键词权重= func(sz)
というという形式でなければませませませませでで,SZ.
は重みのサイズです。例については,カスタムカスタム重み期介化关关数のを参照してください。
この层では,重量
プロパティプロパティ空の结合にのみ重みががさされます。
データ型:char
|细绳
|function_handle.
偏见初始化器
-バイアスバイアス寿期化相关数数'zeros'
(既定値)|'窄正常'
|'那些'
|关节数バイアスバイアス寿期化学相关。次次のいずれかに指定しし
'zeros'
- 0ででバイアスをを初ししし。
'那些'
- 1ででバイアスををしし。
'窄正常'
- 平台0,标准偏差0.01の正式分布から个别にサンプリング行て,バイアスバイアスをってます。
关关ハンドル - カスタム关节でバイアスを化します。关键词相关,关键词BIAS = FUNC(SZ)
というという形式でなければませませませませでで,SZ.
はバイアスのサイズです。
この层では,偏见
プロパティプロパティ空の结合にのみバイアスががさされます。
データ型:char
|细绳
|function_handle.
重量
-层の重み[]
(既定値)|数量配列畳み込み畳み込みの重み。数码配列として指定し。
层层重みは学习可以ななパラメーター。层层重量
プロパティプロパティ使使,重み重み直接,初初値をできます。ネットワークネットワーク学习时に,层の重量
プロパティが空ではないではない合,Trainnetwork.
は重量
プロパティを寿命値値使ますし。重量
プロパティが空のの合,Trainnetwork.
は层の掌控度
プロパティによって指定指定れれ寿矿岩を。
学习时,重量
は过滤(1)
X过滤(2)
XNumChannels.
Xnumfilters.
ののです。
データ型:单身的
|双倍的
偏见
-层のバイアス[]
(既定値)|数量配列畳み込み畳み込みのバイアス。数码配列として指定し。
层层バイアスは学习ネットワークの习パラメーター。偏见
ががではない场合,Trainnetwork.
は偏见
プロパティを寿命値値使ますし。偏见
ががの场合,Trainnetwork.
は偏见初始化器
によってによってさされたた子。
学习时,偏见
は1 x 1 xnumfilters.
ののです。
データ型:单身的
|双倍的
举重
-重みの学习率率数重み重み学习率率数。
たとえば,この层ののれ,この层ののれてがが决定さます。たとえば,举重
が2の场合,この层の重みの学习习は现出者のグローバル习率の2倍倍なります。关联培训选项
でで指定された设定にづいづい,グローバル学习率が决定されれ。
例:2
Biaslearnratefactor.
-バイアスの学习率率数バイアスバイアス学习率率数。
たとえば,この层ののれ,この层ののれてがが决定さます。たとえば,Biaslearnratefactor.
が2の场合,层のバイアスの学习率は现习习率の2倍になります。关联培训选项
でで指定された设定にづいづい,グローバル学习率が决定されれ。
例:2
掌权2factor.
-重みのL2正氢气数重みのL2正载物数。非负非负のスカラーとして指定しし
たとえば,たとえば则则,たとえばれれ,このこの层のてのれれたとえばたとえば则则ててれささされててれささされれれれたとえば掌权2factor.
が2の场合,このこのの重みのL2正则はグローバルL2正则系のの倍にます。グローバルL2正则系。グローバルl2正致ます。附近,关联培训选项
をを用して指定できます。
例:2
biasl2factor.
-バイアスのL2正氢气数バイアスのL2正载物数。非负非负のスカラーとして指定しし
たとえば,たとえば则则,たとえばれれ,このこの层のてのれれたとえばたとえば则则ててれささされててれささされれれれたとえばbiasl2factor.
が2の场合,このこののバイアスのL2正则はグローバルL2正则系のの倍にます。グローバルL2正则系。グローバルl2正致ます。附近,关联培训选项
をを用して指定できます。
例:2
名称
-层の名称''
(既定値)|文件ベクトル|字符串スカラー层の名前。字层グラフに层を含めるにははグラフ指定ししなけれなりませを指定指定しなければませを指定がししなけれ前ませ层指定含ましなけれなけれませグラフ指定含ましなけれなけれん前グラフ指定しをなけれとして前指定指定ししなけれとしてんとしてにに指定としてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてとして指定としてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてスカラーとしてスカラースカラースカラースカラースカラースカラースカラースカラースカラースカラースカラースカラーとしてとしてとしてとしてとしてに前を指定指定しなけれなけれ前を指定ししなけれなけれませ前指定指定しししなけれ指定指定指定指定しししししれるし含まししれるしれる含まれる含ま含ま含まれる含まん含ま含まれる含まれるれるれる含ま含ま含まれる含まれるれるれるれる含まれる含まれる含ま含まれる含ま含ま含まて名称
を''
に设定すると,学习时に层に名前自动的に割り当てられます。
データ型:char
|细绳
numinputs.
-入力六数この层の単一流のみのみを受け入れます。
データ型:双倍的
输入名称
-入力名{'在'}
(既定値)层层の力名。
データ型:细胞
numoutput.
-出力六数层层の力量の。このこの层には単のの出のみがありあり
データ型:双倍的
输出名称
-出力名{'出去'}
(既定値)层层の力名。
データ型:细胞
高さと幅それぞれ11のフィルターを96个もつ畳み込み层をし水平方向垂直垂直向の(ステップステップ)に4を使使ます。
图层=卷积2dlayer(11,96,'走吧'4)
图层=具有属性的卷积2dlayer:''''''Quand参数过滤:[11 11] NumChannels:'Auto'NumFilters:96步(96步):[4 4] DilationFactor:[1] PaddingMode:'手动'拼接:[0 0 0]学习参数权重:[]偏见:[]显示所有属性
层
配列に畳み込み层をますます。
图层= [ImageInputLayer([28 28 1])卷积2dlayer(5,20)rululayer maxpooling2dlayer(2,'走吧',2)全连接列(10)SoftMaxLayer分类层]
图层= 7x1层阵列,图层:1''图像输入28x28x1图像与'zerocenter'归一化2''卷积20 5x5卷积与步幅[1 1]和填充[0 0 0 0] 3''Relu Relu 4''Max汇集2x2 max汇集步进[2 2]和填充[0 0 0 0] 5''完全连接的10完全连接的第6层''softmax softmax 7''分类输出crossentropyex
重みとバイアスのの寿期化子关有关部をするに,それぞれ掌控度
プロパティと偏见初始化器
プロパティプロパティ使使ます。重みとバイアスを直接指定するは,それぞれ重量
プロパティと偏见
プロパティプロパティ使使。
经期化有关部
32个のフィルター持ち,各フィルターの高さとが5のの层をと幅。
filtersize = 5;numfilters = 32;tillay =卷积2dlayer(过滤,numfilters,......'掌控itializer'那'他')
图层=具有属性的卷积2dlayer:'''''Quand参数过滤:[5 5] NumChannels:'Auto'NumFilters:32步部:[1 1]膨胀物料:[1] PaddingMode:'手动'拼接:[0 0 0]学习参数权重:[]偏见:[]显示所有属性
重量
プロパティおよび偏见
介绍时に,これらーのー习ーこれらーさーーさーーさーさされますれさにれますプロパティにてください。
カスタムカスタム寿期关键词
重み重みとバイアスののののののの初化はに,关键词掌控度
プロパティおよび偏见初始化器
これらプロパティを设定しますこれらのプロパティ,重みとバイアスのサイズをとして取り,初期化値ををする关键
32个个のフィルターを,各フィルターの高さとが5の畳み込み层を作用成,标准偏差0.0001のガウスガウスからとバイアスバイアスする初初をしします。
filtersize = 5;numfilters = 32;tillay =卷积2dlayer(过滤,numfilters,......'掌控itializer',@(sz)rand(sz)* 0.0001,......'偏见的人',@(sz)rand(sz)* 0.0001)
图层=具有属性的卷积2dlayer:'''''Quand参数过滤:[5 5] NumChannels:'Auto'NumFilters:32步部:[1 1]膨胀物料:[1] PaddingMode:'手动'拼接:[0 0 0]学习参数权重:[]偏见:[]显示所有属性
ここでも,重量
プロパティおよび偏见
プロパティプロパティ空になります。学习时に,これらこれらプロパティは指定し寿期化工术。
重みおよびバイアスの直接指定
出力サイズが10の全全合成作作作作作作作作作作为,垫ファイルconv2dweights.mat.
で重みとバイアスをそれぞれW.
とB.
に设定します。
filtersize = 5;numfilters = 32;加载conv2dweights.tillay =卷积2dlayer(过滤,numfilters,......'重量',w,......'偏见',b)
图层=具有属性的卷积2dlayer:'''''Quand参数过滤:[5 5] NumChannels:3 NumFilters:32步(32步):[1]稀释物料:[11] PaddingMode:'手动'拼接:[0 0 0]可学习参数重量:[5x5x3x32双]偏置:[1x1x32双]显示所有属性
ここで,重量
プロパティおよび偏见
プロパティには指定した値が含まれます。学习时に,これらのプロパティが空ではない场合,指定した値が初期の重みとバイアスとして使用されます。この场合,初期化子关数は使用されません。
入力のサイズが28 x 28 x 1であるとし.16个のフィルター持ち,各フィルターの高さが6で幅が4の畳み込み层をし。水平方面と垂直方向のを4に设定设定ます。
畳み込みがが力量をにカバーするするを确认ますしますますますますますにはははははははは向垂直向ののののの向向の両のなければ次元ががんんませませませんんんんんんんんんんんのののののののののののののの次元次元(28 - 6+ 2 * 1)/ 4 + 1 = 7.イメージ方向には,イメージ向のは,ゼロ向するは,ゼロ向には,ゼロ向の不合因:(28 - 4+ 2 * 0)/ 4 + 1 = 7。
畳み込み层を构筑します。
第= Convolution2dlayer([6 4],16,'走吧',4,'填充',[1 0])
layer = Convolution2DLayer with properties: Name: " Hyperparameters FilterSize: [6 4] NumChannels: 'auto' NumFilters: 16 Stride: [4 4] DilationFactor: [1 1] PaddingMode: 'manual' PaddingSize: [1 1 0 0] Learnable Parameters Weights: [] Bias:[]显示所有属性
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。
R2019Aでの动作変更
R2019a以降では,既定で,Glorot初期化子を使用してこの層の重みが初期化されます。この動作は,学習を安定化させるのに役立ち,通常は深いネットワークの学習時間を短縮します。
以前のリリースでで,既定既定,平台0,分享0.01の正式分布からサンプリング行っ,层の重みて初。この动作をするは,层の'掌控itializer'
オプションを'窄正常'
に设定します。
[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。
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
次のmatlabコマンドコマンドにに対応するリンクがクリックされまし
コマンドをmatlabコマンドコマンドウィンドウにににに実行してください.webブラウザーはmatlabコマンドをサポートしていませんんんん。
您还可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。