Список слоев глубокого обучения

Эта страница предоставляет список слоев глубокого обучения в MATLAB®.

Чтобы изучить, как создать сети из слоев для различных задач, смотрите следующие примеры.

ЗадачаУзнать больше
Создайте нейронные сети для глубокого обучения для классификации изображений или регрессии.

Создайте простую сеть глубокого обучения для классификации

Обучите сверточную нейронную сеть для регрессии

Обучите остаточную сеть для классификации изображений

Создайте нейронные сети для глубокого обучения для последовательности и данных временных рядов.

Классификация последовательностей Используя глубокое обучение

Прогнозирование временных рядов Используя глубокое обучение

Создайте нейронную сеть для глубокого обучения для аудиоданных.Распознание речевых команд с использованием глубокого обучения
Создайте нейронную сеть для глубокого обучения для текстовых данных.

Классифицируйте текстовые данные Используя глубокое обучение

Сгенерируйте текст Используя глубокое обучение

Функции уровня

Используйте следующие функции, чтобы создать различные типы слоя. Также можно задать собственные слои. Чтобы изучить, как задать ваши собственные слои, смотрите, Задают Пользовательские Слои Глубокого обучения.

Введите слои

ФункцияОписание

imageInputLayer

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

image3dInputLayer

3-D изображение ввело входные параметры слоя 3-D изображения или объемы к сети, и применяет нормализацию данных.

sequenceInputLayer

Последовательность ввела входные данные о последовательности слоя к сети.

roiInputLayer (Computer Vision Toolbox™)

Слой входа ROI вводит изображения к Быстрой сети обнаружения объектов R-CNN.

Свертка и полносвязные слоя

ФункцияОписание

convolution2dLayer

2D сверточный слой применяет скользящие сверточные фильтры к входу.

convolution3dLayer

3-D сверточный слой применяет скользящие кубовидные фильтры свертки к 3D входу.

groupedConvolution2dLayer

2D сгруппированный сверточный слой разделяет входные каналы на группы и применяет скользящие сверточные фильтры. Используйте сгруппированные сверточные слои для отделимого мудрого каналом (также известный мудрыми глубиной отделимый) свертка.

transposedConv2dLayer

Транспонированный 2D слой свертки сверхдискретизировал карты функции.

transposedConv3dLayer

Транспонированный 3-D слой свертки сверхдискретизировал 3D карты функции.

fullyConnectedLayer

Полносвязный слой умножает вход на матрицу веса и затем добавляет вектор смещения.

Слои последовательности

ФункцияОписание

sequenceInputLayer

Последовательность ввела входные данные о последовательности слоя к сети.

lstmLayer

Слой LSTM изучает долгосрочные зависимости между временными шагами в данных о последовательности и временных рядах.

bilstmLayer

Двунаправленный слой LSTM (BiLSTM) изучает двунаправленные долгосрочные зависимости между временными шагами данных о последовательности или временных рядов. Эти зависимости могут быть полезными когда это необходимо сеть, чтобы извлечь уроки из полных временных рядов на каждом временном шаге.

sequenceFoldingLayer

Слой сворачивания последовательности преобразовывает пакет последовательностей изображений к пакету изображений. Используйте слой сворачивания последовательности, чтобы выполнить операции свертки на временных шагах последовательностей изображений независимо.

sequenceUnfoldingLayer

Слой разворачивания последовательности восстанавливает структуру последовательности входных данных после сворачивания последовательности.

flattenLayer

Сглаживать слой сворачивает пространственные размерности входа в размерность канала.

wordEmbeddingLayer (Text Analytics Toolbox™)

Слой встраивания слова сопоставляет словари с векторами.

Слои активации

ФункцияОписание

reluLayer

Слой ReLU выполняет пороговую операцию к каждому элементу входа, где любое значение меньше, чем нуль обнуляется.

leakyReluLayer

Текучий слой ReLU выполняет пороговую операцию, где любое входное значение меньше, чем нуль умножается на фиксированный скаляр.

clippedReluLayer

Отсеченный слой ReLU выполняет пороговую операцию, где любое входное значение, меньше, чем нуль обнуляются и любое значение выше потолка усечения, установлено в тот потолок усечения.

eluLayer

Слой активации ELU выполняет единичную операцию на положительных входных параметрах и экспоненциальную нелинейность на отрицательных входных параметрах.

tanhLayer

Гиперболическая касательная (tanh) слой активации применяет функцию tanh на входные параметры слоя.

preluLayer (Пользовательский пример слоя)

Слой PReLU выполняет пороговую операцию, где для каждого канала, любое входное значение меньше, чем нуль умножаются на скаляр, изученный в учебное время.

Нормализация, уволенный и слои обрезки

ФункцияОписание

batchNormalizationLayer

Пакетный слой нормализации нормирует каждый входной канал через мини-пакет. Чтобы ускорить обучение сверточных нейронных сетей и уменьшать чувствительность к сетевой инициализации, используйте пакетные слои нормализации между сверточными слоями и нелинейностью, такой как слои ReLU.

crossChannelNormalizationLayer

Мудрый каналом локальный ответ (межканальный) слой нормализации выполняет мудрую каналом нормализацию.

dropoutLayer

Слой уволенного случайным образом обнуляет входные элементы с данной вероятностью.

crop2dLayer (Computer Vision Toolbox)

2D слой обрезки применяет 2D обрезку к входу.

Объединение и необъединение слоев

ФункцияОписание

averagePooling2dLayer

Средний слой объединения выполняет субдискретизацию путем деления входа на прямоугольные области объединения и вычисление средних значений каждой области.

averagePooling3dLayer

3-D средний слой объединения выполняет субдискретизацию путем деления 3D входа на кубовидные области объединения и вычисление средних значений каждой области.

maxPooling2dLayer

Макс. слой объединения выполняет субдискретизацию путем деления входа на прямоугольные области объединения и вычисления максимума каждой области.

maxPooling3dLayer

3-D макс. слой объединения выполняет субдискретизацию путем деления 3D входа на кубовидные области объединения и вычисления максимума каждой области.

maxUnpooling2dLayer

Макс. слой необъединения не объединяет вывод макс. слоя объединения.

Слои комбинации

ФункцияОписание

additionLayer

Слой сложения добавляет входные параметры от нескольких поэлементных слоев нейронной сети.

depthConcatenationLayer

Слой конкатенации глубины берет входные параметры, которые имеют ту же высоту и ширину, и конкатенирует их по третьему измерению (размерность канала).

concatenationLayer

Слой конкатенации берет входные параметры и конкатенирует их в заданном измерении. Входные параметры должны иметь тот же размер во всех размерностях кроме размерности конкатенации.

weightedAdditionLayer (Пользовательский пример слоя)

Взвешенный слой сложения масштабирует и добавляет входные параметры от нескольких поэлементных слоев нейронной сети.

Слои обнаружения объектов

ФункцияОписание

roiInputLayer (Computer Vision Toolbox)

Слой входа ROI вводит изображения к Быстрой сети обнаружения объектов R-CNN.

roiMaxPooling2dLayer (Computer Vision Toolbox)

ROI, макс. объединяющий слой выходная функция фиксированного размера, сопоставляет для каждого прямоугольного ROI в рамках входной карты функции. Используйте этот слой, чтобы создать Быструю или Более быструю сеть обнаружения объектов R-CNN.

regionProposalLayer (Computer Vision Toolbox)

Слой предложения по области выходные ограничительные рамки вокруг потенциальных объектов в изображении как часть сети предложения по области (RPN) в Более быстром R-CNN.

rpnSoftmaxLayer (Computer Vision Toolbox)

Сеть предложения по области (RPN) softmax слой применяет softmax функцию активации к входу. Используйте этот слой, чтобы создать Более быструю сеть обнаружения объектов R-CNN.

rpnClassificationLayer (Computer Vision Toolbox)

Слой классификации сетей предложения по области (RPN) классифицирует области изображений или как объект или как фон при помощи перекрестной энтропийной функции потерь. Используйте этот слой, чтобы создать Более быструю сеть обнаружения объектов R-CNN.

rcnnBoxRegressionLayer (Computer Vision Toolbox)

Слой регрессии поля совершенствовал местоположения ограничительной рамки при помощи сглаженной функции потерь L1. Используйте этот слой, чтобы создать Быструю или Более быструю сеть обнаружения объектов R-CNN.

Выходной слой

ФункцияОписание

softmaxLayer

softmax слой применяет функцию softmax к входу.

classificationLayer

Слой классификации вычисляет перекрестную энтропийную потерю для проблем классификации мультиклассов со взаимоисключающими классами.

regressionLayer

Слой регрессии вычисляет половину потери среднеквадратической ошибки для проблем регрессии.

pixelClassificationLayer (Computer Vision Toolbox)

Слой классификации пикселей обеспечивает категориальную метку для каждого пикселя изображения или воксела.

rpnSoftmaxLayer (Computer Vision Toolbox)

Сеть предложения по области (RPN) softmax слой применяет softmax функцию активации к входу. Используйте этот слой, чтобы создать Более быструю сеть обнаружения объектов R-CNN.

rpnClassificationLayer (Computer Vision Toolbox)

Слой классификации сетей предложения по области (RPN) классифицирует области изображений или как объект или как фон при помощи перекрестной энтропийной функции потерь. Используйте этот слой, чтобы создать Более быструю сеть обнаружения объектов R-CNN.

rcnnBoxRegressionLayer (Computer Vision Toolbox)

Слой регрессии поля совершенствовал местоположения ограничительной рамки при помощи сглаженной функции потерь L1. Используйте этот слой, чтобы создать Быструю или Более быструю сеть обнаружения объектов R-CNN.

weightedClassificationLayer (Пользовательский пример слоя)

Взвешенный слой классификации вычисляет взвешенную перекрестную энтропийную потерю для проблем классификации.

dicePixelClassificationLayer (Пользовательский пример слоя)

Слой классификации пикселей Игры в кости вычисляет потерю Игры в кости для семантических проблем сегментации.

sseClassificationLayer (Пользовательский пример слоя)

Слой SSE классификации вычисляет ошибочную потерю суммы квадратов для проблем классификации.

maeRegressionLayer (Пользовательский пример слоя)

Слой MAE регрессии вычисляет среднюю потерю абсолютной погрешности для проблем регрессии.

Смотрите также

|

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте