Транспонированный 3-D слой свертки
Транспонированный 3-D слой свертки сверхдискретизировал 3D карты функции.
Этот слой иногда неправильно известен как "развертку" или "deconv" слой. Этот слой является транспонированием свертки и не выполняет развертку.
возвращает транспонированный 3-D слой свертки и устанавливает layer
= transposedConv3dLayer(filterSize
,numFilters
)FilterSize
и NumFilters
свойства.
возвращает транспонированный 3-D сверточный слой и задает дополнительные опции с помощью одного или нескольких аргументов пары "имя-значение".layer
= transposedConv3dLayer(filterSize
,numFilters
,Name,Value
)
Создайте транспонированный 3-D сверточный слой с 32 фильтрами, каждого с высотой, шириной и глубиной 11. Используйте шаг 4 в горизонтальных и вертикальных направлениях и 2 вдоль глубины.
layer = transposedConv3dLayer(11,32,'Stride',[4 4 2])
layer = TransposedConvolution3DLayer with properties: Name: '' Hyperparameters FilterSize: [11 11 11] NumChannels: 'auto' NumFilters: 32 Stride: [4 4 2] CroppingMode: 'manual' CroppingSize: [2x3 double] Learnable Parameters Weights: [] Bias: [] Show all properties
filterSize
— Высота, ширина и глубина фильтровВысота, ширина и глубина фильтров в виде векторного [h w d]
из трех положительных целых чисел, где h
высота, w
ширина и d
глубина. FilterSize
задает размер локальных областей, с которыми нейроны соединяются во входе.
Если вы устанавливаете FilterSize
с помощью входного параметра затем можно задать FilterSize
как скаляр, чтобы использовать то же значение для всех трех измерений.
Пример:
[5 5 5]
задает фильтры с высотой, шириной и глубиной 5.
numFilters
— Количество фильтровКоличество фильтров в виде положительного целого числа. Этот номер соответствует количеству нейронов в сверточном слое, которые соединяются с той же областью во входе. Этот параметр определяет количество каналов (карты функции) в выходе сверточного слоя.
Пример:
96
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
'Cropping',1
'Stride'
— Размер шага для того, чтобы пересечь вход
(значение по умолчанию) | вектор из трех положительных целых чиселРазмер шага для того, чтобы пересечь вход в трех измерениях в виде векторного [a b c]
из трех положительных целых чисел, где a
вертикальный размер шага, b
горизонтальный размер шага и c
размер шага вдоль глубины. При создании слоя можно задать Stride
как скаляр, чтобы использовать то же значение для размеров шага во всех трех направлениях.
Пример:
[2 3 1]
задает вертикальный размер шага 2, горизонтальный размер шага 3 и размер шага вдоль глубины 1.
'Cropping'
— Выведите сокращение размера
(значение по умолчанию) | 'same'
| вектор из неотрицательных целых чисел | матрица неотрицательных целых чиселВыведите сокращение размера в виде одного из следующего:
'same'
– Установите обрезку так, чтобы выходной размер равнялся inputSize .* Stride
, где inputSize
высота, ширина и глубина входа слоя. Если вы устанавливаете 'Cropping'
опция к 'same'
, затем программное обеспечение автоматически устанавливает CroppingMode
свойство слоя к 'same'
.
Программное обеспечение обрезает равную сумму от верха и низа, левого и правого, и передняя и задняя часть, если это возможно. Если вертикальная сумма обрезки имеет нечетное значение, то программное обеспечение обрезает дополнительную строку от нижней части. Если горизонтальная сумма обрезки имеет нечетное значение, то программное обеспечение обрезает дополнительный столбец справа. Если сумма обрезки глубины имеет нечетное значение, то программное обеспечение обрезает дополнительную плоскость от спины.
Положительное целое число – Обрезка заданный объем данных от всех ребер.
Вектор из неотрицательных целых чисел [a b c]
– Обрежьте a
от верха и низа обрежьте b
слева и право и обрезка c
от передней и задней части.
матрица неотрицательных целых чисел [t l f; b r bk]
из неотрицательных целых чисел — Обрезка t
L
F
B
R
, bk
от верхней части, оставленной, передняя сторона, нижняя часть, право и задняя часть входа, соответственно.
Пример:
[1 2 2]
'NumChannels'
— Количество каналов для каждого фильтра'auto'
(значение по умолчанию) | положительное целое числоКоличество каналов для каждого фильтра в виде 'NumChannels
'и 'auto'
или положительное целое число.
Этот параметр должен быть равен количеству каналов входа к этому сверточному слою. Например, если вход является цветным изображением, то количество каналов для входа должно быть 3. Если количество фильтров для сверточного слоя до текущего слоя равняется 16, то количество каналов для этого слоя должно быть 16.
'WeightsInitializer'
— Функция, чтобы инициализировать веса'glorot'
(значение по умолчанию) | 'he'
| 'narrow-normal'
| 'zeros'
| 'ones'
| указатель на функциюФункция, чтобы инициализировать веса в виде одного из следующего:
'glorot'
– Инициализируйте веса инициализатором Glorot [1] (также известный как инициализатор Ксавьера). Инициализатор Glorot независимо выборки от равномерного распределения с нулевым средним значением и отклонением 2/(numIn + numOut)
, где numIn = filterSize(1)*filterSize(2)*filterSize(3)*NumChannels
, numOut = filterSize(1)*filterSize(2)*filterSize(3)*numFilters
, и NumChannels
количество входных каналов.
'he'
– Инициализируйте веса Им инициализатор [2]. Он выборки инициализатора от нормального распределения с нулевым средним значением и отклонением 2/numIn
, где numIn = filterSize(1)*filterSize(2)*filterSize(3)*NumChannels
и NumChannels
количество входных каналов.
'narrow-normal'
– Инициализируйте веса путем независимой выборки от нормального распределения с нулевым средним и стандартным отклонением 0.01.
'zeros'
– Инициализируйте веса нулями.
'ones'
– Инициализируйте веса единицами.
Указатель на функцию – Инициализирует веса пользовательской функцией. Если вы задаете указатель на функцию, то функция должна иметь форму weights = func(sz)
, где sz
размер весов. Для примера смотрите, Задают Пользовательскую Функцию Инициализации Веса.
Слой только инициализирует веса когда Weights
свойство пусто.
Типы данных: char |
string
| function_handle
'BiasInitializer'
— Функция, чтобы инициализировать смещение'zeros'
(значение по умолчанию) | 'narrow-normal'
| 'ones'
| указатель на функциюФункция, чтобы инициализировать смещение в виде одного из следующего:
'zeros'
– Инициализируйте смещение нулями.
'ones'
– Инициализируйте смещение единицами.
'narrow-normal'
– Инициализируйте смещение путем независимой выборки от нормального распределения с нулевым средним и стандартным отклонением 0.01.
Указатель на функцию – Инициализирует смещение пользовательской функцией. Если вы задаете указатель на функцию, то функция должна иметь форму bias = func(sz)
, где sz
размер смещения.
Слой только инициализирует смещение когда Bias
свойство пусто.
Типы данных: char |
string
| function_handle
'Weights'
— Веса слоя[]
(значение по умолчанию) | числовой массивВеса слоя для транспонированного сверточного слоя в виде числового массива.
Веса слоя являются настраиваемыми параметрами. Можно задать начальное значение для весов непосредственно с помощью Weights
свойство слоя. При обучении сети, если Weights
свойство слоя непусто, затем trainNetwork
использует Weights
свойство как начальное значение. Если Weights
свойство пусто, затем trainNetwork
использует инициализатор, заданный WeightsInitializer
свойство слоя.
В учебное время, Weights
FilterSize(1)
- FilterSize(2)
- FilterSize(3)
- numFilters
- NumChannels
массив.
Типы данных: single
| double
'Bias'
— Смещения слоя[]
(значение по умолчанию) | числовой массивСлой смещает для транспонированного сверточного слоя в виде числового массива.
Смещения слоя являются настраиваемыми параметрами. При обучении сети, если Bias
непусто, затем trainNetwork
использует Bias
свойство как начальное значение. Если Bias
пусто, затем trainNetwork
использует инициализатор, заданный BiasInitializer
.
В учебное время, Bias
1 1 1 numFilters
массив.
Типы данных: single
| double
'WeightLearnRateFactor'
— Фактор скорости обучения для весовФактор скорости обучения для весов в виде неотрицательного скаляра.
Программное обеспечение умножает этот фактор на глобальную скорость обучения, чтобы определить скорость обучения для весов в этом слое. Например, если WeightLearnRateFactor
2, затем скорость обучения для весов в этом слое является дважды текущей глобальной скоростью обучения. Программное обеспечение определяет глобальную скорость обучения на основе настроек, заданных с trainingOptions
функция.
Пример 2
'BiasLearnRateFactor'
— Фактор скорости обучения для смещенийФактор скорости обучения для смещений в виде неотрицательного скаляра.
Программное обеспечение умножает этот фактор на глобальную скорость обучения, чтобы определить скорость обучения для смещений в этом слое. Например, если BiasLearnRateFactor
2, затем скорость обучения для смещений в слое является дважды текущей глобальной скоростью обучения. Программное обеспечение определяет глобальную скорость обучения на основе настроек, заданных с trainingOptions
функция.
Пример 2
'WeightL2Factor'
— Фактор регуляризации L2 для весовФактор регуляризации L2 для весов в виде неотрицательного скаляра.
Программное обеспечение умножает этот фактор на глобальный фактор регуляризации L2, чтобы определить регуляризацию L2 для весов в этом слое. Например, если WeightL2Factor
2, затем регуляризация L2 для весов в этом слое является дважды глобальным фактором регуляризации L2. Можно задать глобальный фактор регуляризации L2 использование trainingOptions
функция.
Пример 2
'BiasL2Factor'
— Фактор регуляризации L2 для смещенийФактор регуляризации L2 для смещений в виде неотрицательного скаляра.
Программное обеспечение умножает этот фактор на глобальный фактор регуляризации L2, чтобы определить регуляризацию L2 для смещений в этом слое. Например, если BiasL2Factor
2, затем регуляризация L2 для смещений в этом слое является дважды глобальным фактором регуляризации L2. Можно задать глобальный фактор регуляризации L2 использование trainingOptions
функция.
Пример 2
'Name'
— Имя слоя''
(значение по умолчанию) | вектор символов | строковый скаляр
Имя слоя в виде вектора символов или строкового скаляра. Чтобы включать слой в график слоев, необходимо задать непустое уникальное имя слоя. Если вы обучаете серийную сеть со слоем и Name
установлен в ''
, затем программное обеспечение автоматически присваивает имя к слою в учебное время.
Типы данных: char |
string
layer
— Транспонированный 3-D слой сверткиTransposedConvolution3DLayer
объектТранспонированный 3-D слой свертки, возвращенный как TransposedConvolution3dLayer
объект.
[1] Glorot, Ксавьер и Иосуа Бенхио. "Изучая трудность учебных глубоких нейронных сетей прямого распространения". В Продолжениях тринадцатой международной конференции по вопросам искусственного интеллекта и статистики, стр 249-256. 2010.
[2] Он, Kaiming, Сянюй Чжан, Шаоцин Жэнь и Цзянь Сунь. "Копаясь глубоко в выпрямителях: Превосходная эффективность человеческого уровня на imagenet классификации". В Продолжениях международной конференции IEEE по вопросам компьютерного зрения, стр 1026-1034. 2015.
averagePooling3dLayer
| maxPooling3dLayer
| SoftmaxLayer
| transposedConv2dLayer
| TransposedConvolution3dLayer
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.