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 выход, 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.
 
Running nnet.checklayer.TestLayerWithoutBackward
.......... ...
Done nnet.checklayer.TestLayerWithoutBackward
__________

Test Summary:
	 13 Passed, 0 Failed, 0 Incomplete, 4 Skipped.
	 Time elapsed: 0.34709 seconds.

Результаты показывают количество переданных, проваленных, и пропущенных тестов. Если вы не задаете 'ObservationsDimension' опция, или не имеют графического процессора, затем 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' к 4.

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

Running nnet.checklayer.TestLayerWithoutBackward
.......... .......
Done nnet.checklayer.TestLayerWithoutBackward
__________

Test Summary:
	 17 Passed, 0 Failed, 0 Incomplete, 0 Skipped.
	 Time elapsed: 0.1635 seconds.

В этом случае функция не обнаруживает проблем со слоем.

Входные параметры

свернуть все

`layer` — Пользовательский слой
`nnet.layer.Layer` возразите | `nnet.layer.ClassificationLayer` возразите | `nnet.layer.RegressionLayer` объект

Пользовательский слой в виде nnet.layer.Layer объект, nnet.layer.ClassificationLayer объект или nnet.layer.RegressionLayer объект. Для примера, показывающего, как задать ваш собственный слой, смотрите, Задают Пользовательский Слой Глубокого обучения с Настраиваемыми параметрами.

`validInputSize` — Допустимые входные размеры
вектор положительных целых чисел | массив ячеек векторов положительных целых чисел

Допустимые входные размеры слоя в виде вектора положительных целых чисел или массива 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 элементам векторов, соответствует 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 в виде положительного целого числа.

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 checkLayer функционируйте проверяет, что функции слоя 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 выхода 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 элементам векторов, соответствует 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 к [h w c], где hW, и c соответствуйте 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), установите validInputSize к типичному размеру одного входного наблюдения Y к слою.

Для проблем классификации, допустимого входного размера и размерности наблюдения Y зависьте 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 к [1 1 K], где K количество классов и 'ObservationDimension' к 4.

Для проблем регрессии, размерностей Y также зависьте 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 выхода 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 выхода 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 к [1 1 R], где R количество ответов и 'ObservationDimension' к 4.

Алгоритмы

свернуть все

Список тестов

checkLayer функционируйте 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

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

Тест	Описание
`functionSyntaxesAreCorrect`	Синтаксисы функций слоя правильно заданы.
`predictDoesNotError`	`predict` не делает ошибки.
`forwardDoesNotError`	Когда задано, `forward` не делает ошибки.
`forwardPredictAreConsistentInSize`	Когда `forward` задан, `forward` и `predict` выходные значения, одного размера.
`backwardDoesNotError`	Когда задано, `backward` не делает ошибки.
`backwardIsConsistentInSize`	Когда `backward` задан, выходные параметры `backward` сопоставимы в размере: Производные относительно каждого входа одного размера с соответствующим входом. Производные относительно каждого настраиваемого параметра одного размера с соответствующим настраиваемым параметром.
`predictIsConsistentInType`	Выходные параметры `predict` сопоставимы в типе с входными параметрами.
`forwardIsConsistentInType`	Когда `forward` задан, выходные параметры `forward` сопоставимы в типе с входными параметрами.
`backwardIsConsistentInType`	Когда `backward` задан, выходные параметры `backward` сопоставимы в типе с входными параметрами.
`gradientsAreNumericallyCorrect`	Когда `backward` задан, градиенты, вычисленные в `backward` сопоставимы с числовыми градиентами.
`backwardPropagationDoesNotError`	Когда `backward` не задан, производные могут быть вычислены с помощью автоматического дифференцирования.

Тесты predictIsConsistentInType, forwardIsConsistentInType, и backwardIsConsistentInType также проверяйте на совместимость с GPU. Чтобы выполнить функции слоя на графическом процессоре, функции должны поддержать вводы и выводы типа gpuArray с базовым типом данных single.

Выходной слой

checkLayer функционируйте 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`	Выход `forwardLoss` isscalar.
`backwardLossIsConsistentInSize`	Когда `backwardLoss` задан, выход `backwardLoss` сопоставимо в размере: `dLdY` одного размера с предсказаниями `Y`.
`forwardLossIsConsistentInType`	Выход `forwardLoss` сопоставимо в типе: `loss` тот же тип как предсказания `Y`.
`backwardLossIsConsistentInType`	Когда `backwardLoss` задан, выход `backwardLoss` сопоставимо в типе: `dLdY` должен быть тот же тип как предсказания `Y`.
`gradientsAreNumericallyCorrect`	Когда `backwardLoss` задан, градиенты, вычисленные в `backwardLoss` численно правильны.
`backwardPropagationDoesNotError`	Когда `backwardLoss` не задан, производные могут быть вычислены с помощью автоматического дифференцирования.

forwardLossIsConsistentInType и backwardLossIsConsistentInType тесты также проверяют на совместимость с GPU. Чтобы выполнить функции слоя 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

`layer` — Пользовательский слой
`nnet.layer.Layer` возразите | `nnet.layer.ClassificationLayer` возразите | `nnet.layer.RegressionLayer` объект

`validInputSize` — Допустимые входные размеры
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

layer — Пользовательский слой nnet.layer.Layer возразите | nnet.layer.ClassificationLayer возразите | nnet.layer.RegressionLayer объект

validInputSize — Допустимые входные размеры 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

`layer` — Пользовательский слой
`nnet.layer.Layer` возразите | `nnet.layer.ClassificationLayer` возразите | `nnet.layer.RegressionLayer` объект

`validInputSize` — Допустимые входные размеры
вектор положительных целых чисел | массив ячеек векторов положительных целых чисел

`dim` — Размерность наблюдения
положительное целое число