Exponenta Banner
exponenta event banner

clippedReluLayer

Слой обрезанного выпрямленного линейного блока (ReLU)

развернуть все на странице

Описание

Подрезанный слой ReLU выполняет пороговую операцию, при которой любое входное значение меньше нуля устанавливается равным нулю, а любое значение выше подрезанного потолка устанавливается на этот подрезанный потолок.

Эта операция эквивалентна:

f (x) ={0,x<0x,0≤x<ceilingceiling,x≥ceiling.

Эта обрезка предотвращает слишком большой объем выходных данных.

Создание

Синтаксис

layer = clingReluLayer (потолок)
layer = cleyReluLayer (потолок, имя, имя)

Описание

layer = clippedReluLayer(ceiling) возвращает подрезанный слой ReLU с потолком подрезки, равным ceiling.

пример

layer = clippedReluLayer(ceiling,'Name',Name) устанавливает необязательный Name собственность.

Свойства

развернуть все

Отсеченный ReLU

Потолок для подрезки ввода, заданный как положительный скаляр.

Пример: 10

Слой

Имя слоя, указанное как символьный вектор или строковый скаляр. Чтобы включить слой в график слоев, необходимо указать непустое уникальное имя слоя. Если вы обучаете последовательную сеть с уровнем и Name имеет значение ''затем программа автоматически присваивает имя слою во время обучения.

Типы данных: char | string

Количество входов слоя. Этот слой принимает только один вход.

Типы данных: double

Входные имена слоя. Этот слой принимает только один вход.

Типы данных: cell

Количество выходов уровня. Этот уровень имеет только один выход.

Типы данных: double

Выходные имена слоя. Этот уровень имеет только один выход.

Типы данных: cell

Примеры

свернуть все

Открыть сценарий в реальном времени

Создание подрезанного слоя ReLU с именем 'clip1' и потолок подрезки, равный 10.

layer = clippedReluLayer(10,'Name','clip1')
layer = 
  ClippedReLULayer with properties:

       Name: 'clip1'

   Hyperparameters
    Ceiling: 10

Включение подрезанного слоя ReLU в Layer массив.

layers = [ ...
    imageInputLayer([28 28 1])
    convolution2dLayer(5,20)
    clippedReluLayer(10)
    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   ''   Clipped ReLU            Clipped ReLU with ceiling 10
     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] Ханнун, Авни, Карл Кейс, Джаред Каспер, Брайан Катансаро, Грег Диамос, Эрих Элсен, Райан Пренгер и др. «Глубокая речь: масштабирование сквозного распознавания речи». Препринт, представлен 17 декабря 2014 года. http://arxiv.org/abs/1412.5567
Расширенные возможности
Создание кода C/C + +
 Создайте код C и C++ с помощью MATLAB ® Coder™
.
Создание кода графического процессора

Создание кода CUDA ® для графических процессоров NVIDIA ® с помощью Coder™ графических процессоров
.
См. также
 |  |  | 
Темы
Представлен в R2017b

    




























Документация по инструментам для глубокого обучения





Поддержка