Exponenta Banner

imageInputLayer

Отобразите входной слой

расширьте все на странице

Описание

Изображение ввело входные параметры слоя 2D изображения к сети, и применяет нормализацию данных.

Для 3-D входа изображений используйте image3dInputLayer.

Создание

Синтаксис

layer = imageInputLayer(inputSize)
layer = imageInputLayer(inputSize,Name,Value)

Описание

layer = imageInputLayer(inputSize) возвращает входной слой изображений и задает свойство InputSize.

пример

layer = imageInputLayer(inputSize,Name,Value) устанавливает дополнительные свойства с помощью пар "имя-значение". Можно задать несколько пар "имя-значение". Заключите каждое имя свойства в одинарные кавычки.

Свойства

развернуть все

Вход изображений

Размер входных данных, заданных как вектор - строка из целых чисел [h w c], где h, w и c соответствуют высоте, ширине и количеству каналов соответственно.

  • Для полутоновых изображений задайте вектор с c, равным 1.

  • Для изображений RGB задайте вектор с c, равным 3.

  • Для многоспектральных или гиперспектральных изображений задайте вектор с c, равным количеству каналов.

Для 3-D изображения или входа объема, используйте image3dInputLayer.

Пример: [224 224 3]

Преобразование данных, чтобы применить каждый раз данные вперед распространено через входной слой, заданный как одно из следующих.

  • 'zerocenter' — Вычтите среднее изображение, заданное свойством AverageImage. Функция trainNetwork автоматически вычисляет среднее изображение в учебное время.

  • 'none' Не преобразовывайте входные данные.

Среднее изображение использовало для нулевой центральной нормализации, заданной как h-by-w-by-c массив, 1 1 c массивом средних значений на канал или [], где h, w и c соответствуют высоте, ширине и количеству каналов среднего изображения соответственно.

Можно установить это свойство при создании сетей без обучения (например, при сборке сетей с помощью assembleNetwork). В противном случае функция trainNetwork повторно вычисляет среднее изображение в учебное время. При определении среднего изображения свойством Normalization должен быть 'zerocenter'.

Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

Примечание

Свойство DataAugmentation не рекомендуется. Чтобы предварительно обработать изображения с обрезкой, отражение и другие геометрические преобразования, используют augmentedImageDatastore вместо этого.

Увеличение данных преобразовывает, чтобы использовать во время обучения, заданного как одно из следующих.

  • 'none' Никакое увеличение данных

  • 'randcrop' — Возьмите случайную обрезку из учебного изображения. Случайная обрезка имеет тот же размер как входной размер.

  • 'randfliplr' — Случайным образом инвертируйте входные изображения горизонтально с 50%-м шансом.

  • Массив ячеек 'randcrop' и 'randfliplr'. Программное обеспечение применяет увеличение в порядке, заданном в массиве ячеек.

Увеличение данных изображения является другим способом уменьшать сверхподбор кривой [1], [2].

Типы данных: char | cell

Слой

Имя слоя, заданное как вектор символов или скаляр строки. Чтобы включать слой в график слоя, необходимо задать непустое уникальное имя слоя. Если вы обучаете серийную сеть со слоем, и Name установлен в '', то программное обеспечение автоматически присваивает имя к слою в учебное время.

Типы данных: char | string

Количество входных параметров слоя. Слой не имеет никаких входных параметров.

Типы данных: double

Введите имена слоя. Слой не имеет никаких входных параметров.

Типы данных: cell

Количество выходных параметров слоя. Этот слой имеет один вывод только.

Типы данных: double

Выведите имена слоя. Этот слой имеет один вывод только.

Типы данных: cell

Примеры

свернуть все

Скрипт Open Live Script

Создайте входной слой изображений для 28 28 цветных изображений с именем 'input'. По умолчанию, слой выполняет нормализацию данных путем вычитания среднего изображения набора обучающих данных от каждого входного изображения.

inputlayer = imageInputLayer([28 28 3],'Name','input')
inputlayer = 
  ImageInputLayer with properties:

                Name: 'input'
           InputSize: [28 28 3]

   Hyperparameters
    DataAugmentation: 'none'
       Normalization: 'zerocenter'
        AverageImage: []

Включайте входной слой изображений в массив Layer.

layers = [ ...
    imageInputLayer([28 28 1])
    convolution2dLayer(5,20)
    reluLayer
    maxPooling2dLayer(2,'Stride',2)
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer]
layers = 
  7x1 Layer array with layers:

     1   ''   Image Input             28x28x1 images with 'zerocenter' normalization
     2   ''   Convolution             20 5x5 convolutions with stride [1  1] and padding [0  0  0  0]
     3   ''   ReLU                    ReLU
     4   ''   Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0  0  0]
     5   ''   Fully Connected         10 fully connected layer
     6   ''   Softmax                 softmax
     7   ''   Classification Output   crossentropyex

Ссылки

[1] Krizhevsky, A. i. Sutskever и Г. Э. Хинтон. "Классификация ImageNet с глубокими сверточными нейронными сетями". Усовершенствования в нейронных системах обработки информации. Vol 25, 2012.

[2] Cireşan, D., У. Мейер, Дж. Шмидхубер. "Многостолбцовые глубокие нейронные сети для классификации изображений". Конференция по IEEE по компьютерному зрению и распознаванию образов, 2012.

Смотрите также

| | | | |

Темы

Введенный в R2016a

Документация Deep Learning Toolbox
Поддержка