checkLayer

Проверяйте валидность пользовательского слоя

Синтаксис

checkLayer(layer,validInputSize)

checkLayer(layer,validInputSize,'ObservationDimension',dim)

Описание

checkLayer(layer,validInputSize) проверяет валидность пользовательского слоя с помощью сгенерированных данных размеров в validInputSize. Для слоев с одним входом, набор validInputSize к типичному размеру входных данных к слою. Для слоев с несколькими входными параметрами, набор validInputSize к массиву ячеек типичных размеров, где каждый элемент соответствует входу слоя.

пример

checkLayer(layer,validInputSize,'ObservationDimension',dim) задает размерность данных, которые соответствуют наблюдениям. Если вы задаете этот параметр, то функция проверяет слой и на одно наблюдение и на несколько наблюдений.

Примеры

свернуть все

Проверяйте валидность слоя

Скрипт Open Live Script

Проверяйте валидность примера пользовательский слой preluLayer.

Задайте пользовательский слой PReLU. Чтобы создать этот слой, сохраните файл preluLayer.m в текущей папке.

Создайте экземпляр слоя и проверяйте, что это - допустимое использование checkLayer. Установите допустимый входной размер на типичный размер одного входа наблюдения к слою. Для одного входа слой ожидает наблюдения за размером h w c, где h, w, и c являются высотой, шириной и количеством каналов предыдущего слоя вывод, соответственно.

Задайте validInputSize как типичный размер входного массива.

layer = preluLayer(20,'prelu');
validInputSize = [5 5 20];
checkLayer(layer,validInputSize)

Skipping multi-observation tests. To enable tests with multiple observations, specify the 'ObservationDimension' option in checkLayer.
For 2-D image data, set 'ObservationDimension' to 4.
For 3-D image data, set 'ObservationDimension' to 5.
For sequence data, set 'ObservationDimension' to 2.
 
Skipping GPU tests. No compatible GPU device found.
 
Running nnet.checklayer.TestCase
.......... ...
Done nnet.checklayer.TestCase
__________

Test Summary:
	 13 Passed, 0 Failed, 0 Incomplete, 11 Skipped.
	 Time elapsed: 1.532 seconds.

Результаты показывают количество переданных, проваленных, и пропущенных тестов. Если вы не задаете опцию 'ObservationsDimension' или не имеете графического процессора, то функция пропускает соответствующие тесты.

Проверяйте несколько наблюдений

Для входа мультинаблюдения слой ожидает массив наблюдений за размером h w c N, где h, w, и c являются высотой, шириной и количеством каналов, соответственно, и N является количеством наблюдений.

Чтобы проверять валидность слоя на несколько наблюдений, задайте типичный размер наблюдения и установите 'ObservationDimension' на 4.

layer = preluLayer(20,'prelu');
validInputSize = [5 5 20];
checkLayer(layer,validInputSize,'ObservationDimension',4)

Skipping GPU tests. No compatible GPU device found.
 
Running nnet.checklayer.TestCase
.......... ........
Done nnet.checklayer.TestCase
__________

Test Summary:
	 18 Passed, 0 Failed, 0 Incomplete, 6 Skipped.
	 Time elapsed: 2.196 seconds.

В этом случае функция не обнаруживает проблем со слоем.

Входные параметры

свернуть все

Слой `layer` — Custom
Объект `nnet.layer.Layer` | объект `nnet.layer.ClassificationLayer` | объект `nnet.layer.RegressionLayer`

Пользовательский слой, заданный как объект nnet.layer.Layer, объект nnet.layer.ClassificationLayer или объект nnet.layer.RegressionLayer. Для примера, показывающего, как задать ваш собственный слой, смотрите, Задают Пользовательский Слой Глубокого обучения с Параметрами Learnable.

Размеры входа `validInputSize` — Valid
вектор положительных целых чисел | массив ячеек векторов положительных целых чисел

Допустимые входные размеры слоя, заданного как вектор положительных целых чисел или массив ячеек векторов положительных целых чисел.

Для слоев с одним входом задайте validInputSize как вектор целых чисел, соответствующих размерностям входных данных. Например, [5 5 10] соответствует допустимым входным данным размера 5 5 на 10.
Для слоев с несколькими входными параметрами задайте validInputSize как массив ячеек векторов, где каждый вектор соответствует входу слоя, и элементы векторов соответствуют размерностям соответствующих входных данных. Например, {[24 24 20],[24 24 10]} соответствует допустимым входным размерам двух входных параметров, где 24 24 20 допустимый входной размер для первого входа, и 24 24 10 допустимый входной размер для второго входа.

Для получения дополнительной информации смотрите Входные Размеры Слоя.

Для больших входных размеров проверки градиента занимают больше времени, чтобы запуститься. Чтобы ускорить тесты, задайте меньший допустимый входной размер.

Пример: [5 5 10]

Пример: {[24 24 20],[24 24 10]}

`dim` Размерность наблюдения
положительное целое число

Размерность наблюдения, заданная как положительное целое число.

Размерность наблюдения задает, какая размерность входных данных слоя соответствует наблюдениям. Например, если слой ожидает, что входные данные имеют размер h-by-w-by-c-by-N, где h, w и c соответствуют высоте, ширине и количеству каналов входных данных, соответственно, и N соответствует количеству наблюдений, затем размерность наблюдения равняется 4. Для получения дополнительной информации смотрите Входные Размеры Слоя.

Если вы задаете размерность наблюдения, то функция checkLayer проверяет, что функции уровня являются сгенерированными данными допустимого использования с мини-пакетами размера 1 и 2. Если вы не задаете размерность наблюдения, то функция пропускает соответствующие тесты.

Больше о

свернуть все

Входные размеры слоя

Для каждого слоя допустимый входной размер и размерность наблюдения зависят от вывода предыдущего слоя.

Промежуточные слои

Для промежуточных слоев (слои типа nnet.layer.Layer), допустимый входной размер и размерность наблюдения зависят от типа ввода данных к слою. Для слоев с одним входом задайте validInputSize как вектор целых чисел, соответствующих размерностям входных данных. Для слоев с несколькими входными параметрами задайте validInputSize как массив ячеек векторов, где каждый вектор соответствует входу слоя, и элементы векторов соответствуют размерностям соответствующих входных данных. Для больших входных размеров проверки градиента занимают больше времени, чтобы запуститься. Чтобы ускорить тесты, задайте меньший допустимый входной размер.

Вход слоя	Введите размер	Размерность наблюдения
2D изображения	h-by-w-by-c-by-N, где h, w и c соответствуют высоте, ширине, и количеству каналов изображений соответственно и N, является количеством наблюдений.	4
3-D изображения	h-by-w-by-D-by-c-by-N, где h, w, D и c соответствуют высоте, ширине, глубине, и количеству каналов 3-D изображений соответственно и N, является количеством наблюдений.	5
Векторные последовательности	c-by-N-by-S, где c является количеством функций последовательностей, N, является количеством наблюдений, и S является длиной последовательности.	2
2D последовательности изображений	h-by-w-by-c-by-N-by-S, где h, w и c соответствуют высоте, ширине и количеству каналов изображений соответственно, N, является количеством наблюдений, и S является длиной последовательности.	4
3-D последовательности изображений	h-by-w-by-d-by-c-by-N-by-S, где h, w, d и c соответствуют высоте, ширине, глубине и количеству каналов 3-D изображений соответственно, N, является количеством наблюдений, и S является длиной последовательности.	5

Например, для 2D проблем классификации изображений, устанавливает validInputSize на [h w c], где h, w и c соответствуют высоте, ширине, и количеству каналов изображений, соответственно, и 'ObservationDimension' к 4.,

Выходной слой

Для выходных слоев (слои типа nnet.layer.ClassificationLayer или nnet.layer.RegressionLayer), устанавливает validInputSize на типичный размер одного входного наблюдения Y к слою.

Для проблем классификации допустимый входной размер и размерность наблюдения Y зависят от типа проблемы:

Задача классификации	Введите размер	Размерность наблюдения
2D классификация изображений	1 1 K N, где K является количеством классов и N, количество наблюдений.	4
3-D классификация изображений	1 1 1 K N, где K является количеством классов и N, количество наблюдений.	5
Классификация последовательностей к метке	K-by-N, где K является количеством классов и N, является количеством наблюдений.	2
Классификация от последовательности к последовательности	K-by-N-by-S, где K является количеством классов, N, является количеством наблюдений, и S является длиной последовательности.	2

Например, для 2D проблем классификации изображений, устанавливает validInputSize на [1 1 K], где K является количеством классов и 'ObservationDimension' к 4.

Для проблем регрессии размерности Y также зависят от типа проблемы. Следующая таблица описывает размерности Y.

Задача регрессии	Введите размер	Размерность наблюдения
2D регрессия изображений	1 1 R N, где R является количеством ответов и N, количество наблюдений.	4
2D регрессия От изображения к изображению	h-by-w-by-c-by-`N`, где h, w и c являются высотой, шириной, и количеством каналов вывода соответственно и N, является количеством наблюдений.	4
3-D регрессия изображений	1 1 1 R N, где R является количеством ответов и N, количество наблюдений.	5
3-D регрессия От изображения к изображению	h-by-w-by-d-by-c-by-`N`, где h, w, d и c являются высотой, шириной, глубиной, и количеством каналов вывода соответственно и N, является количеством наблюдений.	5
Регрессия Sequence-one	R-by-N, где R является количеством ответов и N, является количеством наблюдений.	2
Регрессия от последовательности к последовательности	R-by-N-by-S, где R является количеством ответов, N, является количеством наблюдений, и S является длиной последовательности.	2

Например, для 2D проблем регрессии изображений, устанавливает validInputSize на [1 1 R], где R является количеством ответов и 'ObservationDimension' к 4.

Алгоритмы

свернуть все

Список тестов

Функция checkLayer проверяет валидность пользовательского слоя путем выполнения серии тестов, описанных в этих таблицах. Для получения дополнительной информации о тестах, используемых checkLayer, смотрите Проверку Пользовательская Валидность Слоя.

Промежуточные слои

Функция checkLayer использует эти тесты, чтобы проверять валидность пользовательских промежуточных слоев (слои типа nnet.layer.Layer).

Тест	Описание
`methodSignaturesAreCorrect`	Синтаксисы функций уровня правильно заданы.
`predictDoesNotError`	`predict` не делает ошибки.
`forwardDoesNotError`	`forward` не делает ошибки.
`forwardPredictAreConsistentInSize`	`forward` и выходные значения `predict`, одного размера.
`backwardDoesNotError`	`backward` не делает ошибки.
`backwardIsConsistentInSize`	Выходные параметры `backward` сопоставимы в размере: Производные относительно каждого входа одного размера как соответствующий вход. Производные относительно каждого learnable параметра одного размера как соответствующий learnable параметр.
`predictIsConsistentInType`	Выходные параметры `predict` сопоставимы в типе с входными параметрами.
`forwardIsConsistentInType`	Выходные параметры `forward` сопоставимы в типе с входными параметрами.
`backwardIsConsistentInType`	Выходные параметры `backward` сопоставимы в типе с входными параметрами.
`gradientsAreNumericallyCorrect`	Градиенты, вычисленные в `backward`, сопоставимы с числовыми градиентами.

Тесты predictIsConsistentInType, forwardIsConsistentInType и backwardIsConsistentInType также проверяют на совместимость графического процессора. Чтобы выполнить функции уровня на графическом процессоре, функции должны поддержать вводы и выводы типа gpuArray с базовым типом данных single.

Если вы не реализовали forward, то checkLayer не запускает forwardDoesNotError, forwardPredictAreConsistentInSize и тесты forwardIsConsistentInType.

Выходной слой

Функция checkLayer использует эти тесты, чтобы проверять валидность пользовательских выходных слоев (слои типа nnet.layer.ClassificationLayer или nnet.layer.RegressionLayer).

Тест	Описание
`forwardLossDoesNotError`	`forwardLoss` не делает ошибки.
`backwardLossDoesNotError`	`backwardLoss` не делает ошибки.
`forwardLossIsScalar`	Вывод `forwardLoss` является скаляром.
`backwardLossIsConsistentInSize`	Вывод `backwardLoss` сопоставим в размере: `dLdY` одного размера как прогнозы `Y`.
`forwardLossIsConsistentInType`	Вывод `forwardLoss` сопоставим в типе: `loss` является тем же типом как прогнозы `Y`.
`backwardLossIsConsistentInType`	Вывод `backwardLoss` сопоставим в типе: `dLdY` должен быть тем же типом как прогнозы `Y`.
`gradientsAreNumericallyCorrect`	Градиенты, вычисленные в `backwardLoss`, численно правильны.

forwardLossIsConsistentInType и тесты backwardLossIsConsistentInType также проверяют на совместимость графического процессора. Чтобы выполнить функции уровня на графическом процессоре, функции должны поддержать вводы и выводы типа gpuArray с базовым типом данных single.

Документация

checkLayer

Синтаксис

Описание

Примеры

Проверяйте валидность слоя

Входные параметры

Слой `layer` — Custom
Объект `nnet.layer.Layer` | объект `nnet.layer.ClassificationLayer` | объект `nnet.layer.RegressionLayer`

Размеры входа `validInputSize` — Valid
вектор положительных целых чисел | массив ячеек векторов положительных целых чисел

`dim` Размерность наблюдения
положительное целое число

Больше о

Входные размеры слоя

Промежуточные слои

Выходной слой

Алгоритмы

Список тестов

Промежуточные слои

Выходной слой

Смотрите также

Темы

Введенный в R2018a

Документация Deep Learning Toolbox

Поддержка

Документация

checkLayer

Синтаксис

Описание

Примеры

Проверяйте валидность слоя

Входные параметры

Слой layer — Custom Объект nnet.layer.Layer | объект nnet.layer.ClassificationLayer | объект nnet.layer.RegressionLayer

Размеры входа validInputSize — Valid вектор положительных целых чисел | массив ячеек векторов положительных целых чисел

dim Размерность наблюдения положительное целое число

Больше о

Входные размеры слоя

Промежуточные слои

Выходной слой

Алгоритмы

Список тестов

Промежуточные слои

Выходной слой

Смотрите также

Темы

Введенный в R2018a

Документация Deep Learning Toolbox

Поддержка

Слой `layer` — Custom
Объект `nnet.layer.Layer` | объект `nnet.layer.ClassificationLayer` | объект `nnet.layer.RegressionLayer`

Размеры входа `validInputSize` — Valid
вектор положительных целых чисел | массив ячеек векторов положительных целых чисел

`dim` Размерность наблюдения
положительное целое число