checkLayer

Проверка достоверности пользовательского слоя

Синтаксис

check Layer (слой, validInputSize)

startLayer (слой, validInputSize, имя, значение)

Описание

checkLayer(layer,validInputSize) проверяет действительность пользовательского слоя, используя сгенерированные данные размеров в validInputSize. Для слоев с одним входом установите validInputSize к типичному размеру входных данных на слой. Для слоев с несколькими входами установите validInputSize к массиву ячеек типичных размеров, где каждый элемент соответствует входу слоя.

пример

checkLayer(layer,validInputSize,Name,Value) задает дополнительные параметры, использующие одну или несколько пар имя-значение.

Примеры

свернуть все

Проверка достоверности слоя

Открыть сценарий в реальном времени

Проверка допустимости примера пользовательского слоя preluLayer.

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

Создание экземпляра слоя и проверка его допустимости с помощью checkLayer. Задайте допустимый размер ввода, равный типовому размеру одного входного сигнала наблюдения для слоя. Для одного входа уровень ожидает наблюдения размера h-by-w-by-c, где h, w и c - высота, ширина и количество каналов предыдущего выхода уровня соответственно.

Определить 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.
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.
 
Skipping code generation compatibility tests. To check validity of the layer for code generation, specify the 'CheckCodegenCompatibility' and 'ObservationDimension' options.
 
Running nnet.checklayer.TestLayerWithoutBackward
.........
Done nnet.checklayer.TestLayerWithoutBackward
__________

Test Summary:
	 9 Passed, 0 Failed, 0 Incomplete, 13 Skipped.
	 Time elapsed: 0.12426 seconds.

Результаты показывают количество пройденных, неудачных и пропущенных тестов. Если не указать 'ObservationsDimension' или не имеют графического процессора, то функция пропускает соответствующие тесты.

Проверка нескольких наблюдений

Для ввода с несколькими наблюдениями слой ожидает массив наблюдений размера h-by-w-by-c-by-N, где h, w и c - высота, ширина и количество каналов соответственно, а N - количество наблюдений.

Чтобы проверить допустимость слоя для нескольких наблюдений, укажите типичный размер наблюдения и задайте 'ObservationDimension' до 4.

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

Skipping GPU tests. No compatible GPU device found.
 
Skipping code generation compatibility tests. To check validity of the layer for code generation, specify the 'CheckCodegenCompatibility' and 'ObservationDimension' options.
 
Running nnet.checklayer.TestLayerWithoutBackward
.......... ...
Done nnet.checklayer.TestLayerWithoutBackward
__________

Test Summary:
	 13 Passed, 0 Failed, 0 Incomplete, 9 Skipped.
	 Time elapsed: 0.047134 seconds.

В этом случае функция не обнаруживает никаких проблем с уровнем.

Проверка совместимости создания кода на уровне

Открыть сценарий в реальном времени

Проверка совместимости создания кода пользовательского слоя codegenPreluLayer.

Определите пользовательский уровень PReLU с поддержкой генерации кода. Чтобы создать этот слой, сохраните файл codegenPreluLayer.m в текущей папке.

Создание экземпляра слоя и проверка его действительности с помощью checkLayer. Укажите допустимый размер ввода в качестве размера одного наблюдения за типовым вводом в слой. Слой ожидает 4-D входов массива, где первые три размера соответствуют высоте, ширине и количеству каналов предыдущего выхода слоя, а четвертый размер соответствует наблюдениям.

Укажите типичный размер входных данных наблюдения и установите значение 'ObservationDimension' опция 4. Чтобы проверить совместимость генерации кода, установите 'CheckCodegenCompatibility' опция для true.

layer = codegenPreluLayer(20,'prelu');
validInputSize = [24 24 20];
checkLayer(layer,validInputSize,'ObservationDimension',4,'CheckCodegenCompatibility',true)

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

Test Summary:
	 18 Passed, 0 Failed, 0 Incomplete, 4 Skipped.
	 Time elapsed: 0.53879 seconds.

Функция не обнаруживает никаких проблем со слоем.

Входные аргументы

свернуть все

`layer` - Пользовательский слой
`nnet.layer.Layer` объект | `nnet.layer.ClassificationLayer` объект | `nnet.layer.RegressionLayer` объект

Пользовательский слой, указанный как nnet.layer.Layer объект, nnet.layer.ClassificationLayer объект, или nnet.layer.RegressionLayer объект. Пример определения собственного пользовательского слоя см. в разделе Определение пользовательского слоя глубокого обучения с обучаемыми параметрами.

checkLayer функция не поддерживает слои, наследующие от nnet.layer.Formattable.

`validInputSize` - Допустимые размеры ввода
вектор положительных целых чисел | клеточный массив векторов положительных целых чисел

Допустимые входные размеры слоя, определяемые как вектор положительных целых чисел или клеточный массив векторов положительных целых чисел.

Для слоев с одним входом укажите validInputSize как вектор целых чисел, соответствующих размерам входных данных. Например, [5 5 10] соответствует допустимым входным данным размера 5-на-5-на-10.
Для слоев с несколькими входами укажите validInputSize как клеточный массив векторов, где каждый вектор соответствует входу слоя, а элементы векторов соответствуют размерам соответствующих входных данных. Например, {[24 24 20],[24 24 10]} соответствует действительным входным размерам двух исходных данных, где 24 на 24 на 20 - действительный входной размер для первого входа, и 24 на 24 на 10 - действительный входной размер для второго входа.

Дополнительные сведения см. в разделе Размеры вводимых слоев.

Для больших размеров ввода проверка градиента занимает больше времени. Чтобы ускорить тесты, укажите допустимый размер ввода меньшего размера.

Пример: [5 5 10]

Пример: {[24 24 20],[24 24 10]}

Аргументы пары «имя-значение»

Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.

Пример: 'ObservationDimension',4 задание размера наблюдения равным 4

`'ObservationDimension'` - Измерение наблюдения
положительное целое число

Размер наблюдения, заданный как разделенная запятыми пара, состоящая из 'ObservationDimension' и положительное целое число.

Размер наблюдения определяет, какой размер 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, то размер наблюдения равен 4. Дополнительные сведения см. в разделе Размеры вводимых слоев.

Если указан размер наблюдения, то checkLayer функция проверяет действительность функций уровня с использованием сгенерированных данных с мини-партиями размера 1 и 2. Если размер наблюдения не указан, функция пропускает соответствующие тесты.

`'CheckCodegenCompatibility'` - Флаг для включения тестов генерации кода
`false` (по умолчанию) | `true`

Флаг для включения тестов генерации кода, указанный как разделенная запятыми пара, состоящая из 'CheckCodegenCompatibility' и true или false.

Если 'CheckCodegenCompatibility' является true, то необходимо установить 'ObservationDimension' вариант.

checkLayer функция не проверяет функции, несовместимые с генерацией кода. Чтобы проверить, поддерживается ли пользовательское определение слоя для создания кода, сначала используйте параметр «Готовность к созданию кода». Дополнительные сведения см. в разделе Проверка кода с помощью инструмента готовности к созданию кода (кодер MATLAB).

Типы данных: logical

Подробнее

свернуть все

Размеры входных данных слоев

Для каждого слоя допустимый размер ввода и размер наблюдения зависят от выхода предыдущего слоя.

Промежуточные слои

Для промежуточных слоев (слои типа nnet.layer.Layer), допустимый размер ввода и размер наблюдения зависят от типа данных, вводимых в слой.

Для слоев с одним входом укажите validInputSize как вектор целых чисел, соответствующих размерам входных данных.
Для слоев с несколькими входами укажите validInputSize как клеточный массив векторов, где каждый вектор соответствует входу слоя, а элементы векторов соответствуют размерам соответствующих входных данных.

Ввод слоев	Размер ввода	Измерение наблюдения
2-D изображения	h-by-w-c-by-N, где h, w и c соответствуют высоте, ширине и количеству каналов изображений соответственно, а N - количество наблюдений.	4
3-D изображения	h-by-w-d-by-c-by-N, где h, w, d и c соответствуют высоте, ширине, глубине и количеству каналов 3-D изображений соответственно, а N - количество наблюдений.	5
Векторные последовательности	c-by-N-by-S, где c - число признаков последовательностей, N - число наблюдений, а S - длина последовательности.	2
2-D последовательности изображений	h-by-w-c-by-N-by-S, где h, w и c соответствуют высоте, ширине и количеству каналов изображений, соответственно, N - количество наблюдений, а S - длина последовательности.	4
3-D последовательности изображений	h-by-w-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 - количество наблюдений, а S - длина последовательности.	5

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

Генерация кода поддерживает промежуточные слои только с 2-D вводом изображения.

Выходные слои

Для выходных слоев (слоев типа nnet.layer.ClassificationLayer или nnet.layer.RegressionLayer), комплект validInputSize к типовому размеру одного входного наблюдения Y к слою.

Для проблем классификации допустимый размер ввода и измерение наблюдения Y зависят от типа проблемы:

Задача классификации	Размер ввода	Измерение наблюдения
2-D классификация изображений	1-by-1-by-K-by-N, где K - число классов, а N - число наблюдений.	4
3-D классификация изображений	1-by-1-by-1-by-K-by-N, где K - число классов, а N - число наблюдений.	5
Классификация «последовательность-метка»	K-by-N, где K - число классов, а N - число наблюдений.	2
Классификация последовательности к последовательности	K-by-N-by-S, где K - число классов, N - число наблюдений, а S - длина последовательности.	2

Например, для 2-D проблем классификации изображений установите validInputSize кому [1 1 K], где K - количество классов, и 'ObservationDimension' кому 4.

Для регрессионных проблем размеры Y также зависит от типа проблемы. В следующей таблице описаны размеры Y.

Задача регрессии	Размер ввода	Измерение наблюдения
2-D регрессия изображения	1-by-1-by-R-by-N, где R - количество ответов, а N - количество наблюдений.	4
2-D Регрессия между изображениями	h-by-w-by-c-by-`N`, где h, w и c - высота, ширина и количество каналов выхода соответственно, а N - количество наблюдений.	4
3-D регрессия изображения	1-by-1-by-1-by-R-by-N, где R - количество ответов, а N - количество наблюдений.	5
3-D Регрессия между изображениями	h-by-w-by-d-by-c-by-`N`, где h, w, d и c - высота, ширина, глубина и количество каналов выхода соответственно, а N - количество наблюдений.	5
Регрессия «последовательность к одному»	R-by-N, где R - число ответов, а N - число наблюдений.	2
Регрессия последовательности к последовательности	R-by-N-by-S, где R - количество откликов, N - количество наблюдений, а S - длина последовательности.	2

Например, для 2-D проблем регрессии изображения установите validInputSize кому [1 1 R], где R - количество ответов, и 'ObservationDimension' кому 4.

Алгоритмы

свернуть все

Список тестов

checkLayer функция проверяет достоверность пользовательского слоя, выполняя ряд тестов, описанных в этих таблицах. Для получения дополнительной информации о тестах, используемых checkLayerсм. раздел Проверка допустимости пользовательского слоя.

Промежуточные слои

checkLayer функция использует эти тесты для проверки достоверности пользовательских промежуточных слоев (слоев типа nnet.layer.Layer).

Тест	Описание
`functionSyntaxesAreCorrect`	Синтаксисы функций слоя определены правильно.
`predictDoesNotError`	`predict` не приводит к ошибке.
`forwardDoesNotError`	Если указано, `forward` не приводит к ошибке.
`forwardPredictAreConsistentInSize`	Когда `forward` указывается, `forward` и `predict` выходные значения одного и того же размера.
`backwardDoesNotError`	Если указано, `backward` не приводит к ошибке.
`backwardIsConsistentInSize`	Когда `backward` уточняется, выходы `backward` непротиворечивы по размеру: Производные по отношению к каждому входу имеют тот же размер, что и соответствующий вход. Производные по отношению к каждому обучаемому параметру имеют тот же размер, что и соответствующий обучаемый параметр.
`predictIsConsistentInType`	Выходные данные `predict` согласуются по типу с входами.
`forwardIsConsistentInType`	Когда `forward` уточняется, выходы `forward` согласуются по типу с входами.
`backwardIsConsistentInType`	Когда `backward` уточняется, выходы `backward` согласуются по типу с входами.
`gradientsAreNumericallyCorrect`	Когда `backward` указан, градиенты вычислены в `backward` согласуются с числовыми градиентами.
`backwardPropagationDoesNotError`	Когда `backward` не указан, производные можно вычислить с помощью автоматической дифференциации.
`codegenPragmaDefinedInClassDef`	pragma `"%#codegen"` для генерации кода указывается в файле класса.
`checkForSupportedLayerPropertiesForCodegen`	Свойства слоя поддерживают создание кода.
`predictIsValidForCodeGeneration`	`predict` действителен для создания кода.

Тесты predictIsConsistentInType, forwardIsConsistentInType, и backwardIsConsistentInType также проверьте совместимость графического процессора. Для выполнения функций уровня на GPU эти функции должны поддерживать входы и выходы типа gpuArray с базовым типом данных single.

Выходные слои

checkLayer функция использует эти тесты для проверки достоверности пользовательских выходных слоев (слоев типа nnet.layer.ClassificationLayer или nnet.layer.RegressionLayer).

Тест	Описание
`forwardLossDoesNotError`	`forwardLoss` не приводит к ошибке.
`backwardLossDoesNotError`	`backwardLoss` не приводит к ошибке.
`forwardLossIsScalar`	Выходные данные `forwardLoss` является скалярным.
`backwardLossIsConsistentInSize`	Когда `backwardLoss` указано, выход `backwardLoss` согласован по размеру: `dLdY` имеет тот же размер, что и прогнозы `Y`.
`forwardLossIsConsistentInType`	Выходные данные `forwardLoss` согласован по типу: `loss` является тем же типом, что и прогнозы `Y`.
`backwardLossIsConsistentInType`	Когда `backwardLoss` указано, выход `backwardLoss` согласован по типу: `dLdY` должен быть того же типа, что и прогнозы `Y`.
`gradientsAreNumericallyCorrect`	Когда `backwardLoss` указан, градиенты вычислены в `backwardLoss` численно корректны.
`backwardPropagationDoesNotError`	Когда `backwardLoss` не указан, производные можно вычислить с помощью автоматической дифференциации.

forwardLossIsConsistentInType и backwardLossIsConsistentInType тесты также проверяют совместимость графического процессора. Для выполнения функций уровня на GPU эти функции должны поддерживать входы и выходы типа gpuArray с базовым типом данных single.

См. также

analyzeNetwork | trainingOptions | trainNetwork

Темы

Представлен в R2018a

Документация

checkLayer

Синтаксис

Описание

Примеры

Проверка достоверности слоя

Проверка совместимости создания кода на уровне

Входные аргументы

`layer` - Пользовательский слой
`nnet.layer.Layer` объект | `nnet.layer.ClassificationLayer` объект | `nnet.layer.RegressionLayer` объект

`validInputSize` - Допустимые размеры ввода
вектор положительных целых чисел | клеточный массив векторов положительных целых чисел

Аргументы пары «имя-значение»

`'ObservationDimension'` - Измерение наблюдения
положительное целое число

`'CheckCodegenCompatibility'` - Флаг для включения тестов генерации кода
`false` (по умолчанию) | `true`

Подробнее

Размеры входных данных слоев

Алгоритмы

Список тестов

См. также

Темы

Документация по инструментам для глубокого обучения

Поддержка

Документация

checkLayer

Синтаксис

Описание

Примеры

Проверка достоверности слоя

Проверка совместимости создания кода на уровне

Входные аргументы

layer - Пользовательский слой nnet.layer.Layer объект | nnet.layer.ClassificationLayer объект | nnet.layer.RegressionLayer объект

validInputSize - Допустимые размеры ввода вектор положительных целых чисел | клеточный массив векторов положительных целых чисел

Аргументы пары «имя-значение»

'ObservationDimension' - Измерение наблюдения положительное целое число

'CheckCodegenCompatibility' - Флаг для включения тестов генерации кода false (по умолчанию) | true

Подробнее

Размеры входных данных слоев

Алгоритмы

Список тестов

См. также

Темы

Документация по инструментам для глубокого обучения

Поддержка

`layer` - Пользовательский слой
`nnet.layer.Layer` объект | `nnet.layer.ClassificationLayer` объект | `nnet.layer.RegressionLayer` объект

`validInputSize` - Допустимые размеры ввода
вектор положительных целых чисел | клеточный массив векторов положительных целых чисел

`'ObservationDimension'` - Измерение наблюдения
положительное целое число

`'CheckCodegenCompatibility'` - Флаг для включения тестов генерации кода
`false` (по умолчанию) | `true`