Транспонированный 2-D сверточный слой
Транспонированный слой свертки 2-D увеличивает выборку карт элементов.
Этот слой иногда неверно известен как «деконволюционный» или «деконв» слой. Этот слой является транспонированием свертки и не выполняет деконволюцию.
layer = transposedConv2dLayer(filterSize,numFilters)filterSize и numFilters свойства.
layer = transposedConv2dLayer(filterSize,numFilters,Name,Value)
Создайте транспонированный сверточный слой с 96 фильтрами, каждый с высотой и шириной 11. Используйте шаг 4 в горизонтальном и вертикальном направлениях.
layer = transposedConv2dLayer(11,96,'Stride',4);filterSize - Высота и ширина фильтровВысота и ширина фильтров, заданная как вектор двух положительных целых чисел [h w], где h - высота и w - ширина. FilterSize определяет размер локальных областей, к которым соединяются нейроны на входе.
Если установить FilterSize используя входной аргумент, можно указать FilterSize как скаляр, чтобы использовать одно и то же значение для обоих измерений.
Пример:
[5 5] задает фильтры высоты 5 и ширины 5.
numFilters - Количество фильтровЧисло фильтров, указанное как положительное целое число. Это число соответствует количеству нейронов в слое, которые соединяются с одной и той же областью на входе. Этот параметр определяет количество каналов (карты характеристик) на выходе сверточного уровня.
Пример:
96
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.
'Cropping',1
'Stride' - Повышающий коэффициент отбора проб1 (по умолчанию) | вектор двух положительных целых чисел | положительное целое числоПовышающий коэффициент выборки входного сигнала, определяемый как один из следующих параметров:
Вектор двух положительных целых чисел [a b], где a - вертикальный шаг и b - горизонтальный шаг.
Положительное целое число соответствует как вертикальному, так и горизонтальному шагу.
Пример: 'Stride',[2 1]
'Cropping' - Уменьшение размера выпуска0 (по умолчанию) | 'same' | неотрицательное целое число | вектор двух неотрицательных целых чиселУменьшение размера выходного документа, указанное как одно из следующих значений:
'same' - Установка обрезки таким образом, чтобы выходной размер равнялся inputSize .* Stride, где inputSize - высота и ширина входного слоя. Если установить 'Cropping' опция для 'same', то программное обеспечение автоматически устанавливает CroppingMode свойства слоя для 'same'.
Программа обрезает равное количество сверху и снизу, а также слева и справа, если это возможно. Если вертикальная величина обрезки имеет нечетное значение, программа обрезает дополнительную строку снизу. Если горизонтальная величина обрезки имеет нечетное значение, программа обрезает дополнительный столбец справа.
Положительное целое число - обрезка указанного объема данных по всем краям.
Вектор неотрицательных целых чисел [a b] - Урожай a сверху и снизу и подрезать b слева и справа.
Вектор [t b l r] - Урожай t, b, l, r сверху, снизу, слева и справа от входа соответственно.
Если установить 'Cropping' в числовое значение, то программное обеспечение автоматически устанавливает CroppingMode свойства слоя для 'manual'.
Пример:
[1 2]
'NumChannels' - Количество каналов для каждого фильтра'auto' (по умолчанию) | положительное целое числоКоличество каналов для каждого фильтра, указанное как 'NumChannels«и» 'auto' или положительное целое число.
Этот параметр должен быть равен количеству каналов входа в этот сверточный уровень. Например, если вход является цветным изображением, то количество каналов для входа должно быть равно 3. Если число фильтров для сверточного уровня до текущего уровня равно 16, то количество каналов для этого уровня должно быть равно 16.
'WeightsInitializer' - Функция инициализации весов'glorot' (по умолчанию) | 'he' | 'narrow-normal' | 'zeros' | 'ones' | дескриптор функцииФункция для инициализации весов, указанных как одно из следующих:
'glorot' - Инициализируйте веса с помощью инициализатора Glorot [1] (также известного как инициализатор Xavier). Инициализатор Glorot независимо отсчитывает из однородного распределения с нулевым средним и дисперсией 2/(numIn + numOut), где numIn = filterSize(1)*filterSize(2)*NumChannels, numOut = filterSize(1)*filterSize(2)*numFilters, и NumChannels - количество входных каналов.
'he' - Инициализируйте веса с помощью инициализатора He [2]. Выборка инициализатора He из нормального распределения с нулевым средним и дисперсией 2/numIn, где numIn = filterSize(1)*filterSize(2)*NumChannels и NumChannels - количество входных каналов.
'narrow-normal' - Инициализация весов путем независимой выборки из нормального распределения с нулевым средним и стандартным отклонением 0,01.
'zeros' - Инициализация весов с нулями.
'ones' - Инициализируйте веса единицами.
Дескриптор функции - инициализация весов с помощью пользовательской функции. Если указан дескриптор функции, то функция должна иметь вид weights = func(sz), где sz - размер весов. Пример см. в разделе Определение пользовательской функции инициализации веса.
Слой инициализирует веса только в том случае, если Weights пустое свойство.
Типы данных: char | string | function_handle
'BiasInitializer' - Функция инициализации смещения'zeros' (по умолчанию) | 'narrow-normal' | 'ones' | дескриптор функцииФункция инициализации смещения, указанная как одно из следующих:
'zeros' - Инициализируйте смещение нулями.
'ones' - Инициализировать смещение с помощью таковых.
'narrow-normal' - Инициализировать смещение путем независимой выборки из нормального распределения с нулевым средним и стандартным отклонением 0,01.
Дескриптор функции - инициализация смещения с помощью пользовательской функции. Если указан дескриптор функции, то функция должна иметь вид bias = func(sz), где sz - размер смещения.
Уровень инициализирует смещение только в том случае, если Bias пустое свойство.
Типы данных: char | string | function_handle
'Weights' - Веса слоев[] (по умолчанию) | числовой массивВеса слоев для сверточного слоя, заданные как числовой массив.
Веса слоев являются обучаемыми параметрами. Можно указать начальное значение для весов непосредственно с помощью Weights свойство слоя. При обучении сети, если Weights свойство слоя является непустым, то trainNetwork использует Weights свойство в качестве начального значения. Если Weights свойство пустое, затем trainNetwork использует инициализатор, указанный WeightsInitializer свойство слоя.
Во время обучения, Weights является filterSize(1)около-filterSize(2)около-numFiltersоколо-NumChannels массив.
Типы данных: single | double
'Bias' - Смещения слоев[] (по умолчанию) | числовой массивСмещения слоев для сверточного слоя, заданные как числовой массив.
Смещения слоя - это обучаемые параметры. При обучении сети, если Bias является непустым, то trainNetwork использует Bias свойство в качестве начального значения. Если Bias пуст, затем trainNetwork использует инициализатор, указанный BiasInitializer.
Во время обучения, Bias является 1 на 1-by-numFilters массив.
Типы данных: single | double
'WeightLearnRateFactor' - Коэффициент коэффициента усвоения весовКоэффициент скорости обучения для весов, заданный как неотрицательный скаляр.
Программное обеспечение умножает этот коэффициент на глобальную скорость обучения, чтобы определить скорость обучения для весов на этом уровне. Например, если WeightLearnRateFactor 2, то скорость обучения для весов в этом слое вдвое превышает текущую глобальную скорость обучения. Программа определяет глобальную скорость обучения на основе настроек, указанных в trainingOptions функция.
Пример:
2
'BiasLearnRateFactor' - Коэффициент успеваемости для предубежденийКоэффициент скорости обучения для смещений, заданный как неотрицательный скаляр.
Программное обеспечение умножает этот коэффициент на глобальную скорость обучения, чтобы определить скорость обучения для отклонений на этом уровне. Например, если BiasLearnRateFactor 2, тогда скорость обучения для отклонений в слое в два раза превышает текущую глобальную скорость обучения. Программа определяет глобальную скорость обучения на основе настроек, указанных в trainingOptions функция.
Пример:
2
'WeightL2Factor' - коэффициент регуляризации L2 для весовL2 коэффициент регуляризации для весов, определяемый как неотрицательный скаляр.
Программное обеспечение умножает этот коэффициент на глобальный коэффициент регуляризации L2, чтобы определить L2 регуляризацию для весов в этом слое. Например, если WeightL2Factor 2, то L2 регуляризация для весов в этом слое вдвое больше глобального коэффициента регуляризации L2. Можно указать глобальный коэффициент регуляризации L2 с помощью trainingOptions функция.
Пример:
2
'BiasL2Factor' - коэффициент регуляризации L2 для отклоненийL2 коэффициент регуляризации для смещений, определяемый как неотрицательный скаляр.
Программное обеспечение умножает этот коэффициент на глобальный коэффициент регуляризации L2, чтобы определить L2 регуляризацию для смещений на этом уровне. Например, если BiasL2Factor 2, то L2 регуляризация для смещений в этом слое вдвое превышает глобальный коэффициент регуляризации L2. Можно указать глобальный коэффициент регуляризации L2 с помощью trainingOptions функция.
Пример:
2
'Name' - Имя слоя'' (по умолчанию) | символьный вектор | строковый скаляр
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
layer - Транспонированный 2-D сверточный слойTransposedConvolution2DLayer объектТранспонированный 2-D слой свертки, возвращаемый как TransposedConvolution2DLayer объект.
В R2019a изменилось поведение
Начиная с R2019a, программное обеспечение по умолчанию инициализирует веса слоев этого слоя с помощью инициализатора Glorot. Такое поведение помогает стабилизировать обучение и обычно сокращает время обучения глубоких сетей.
В предыдущих версиях программное обеспечение по умолчанию инициализирует веса слоев путем выборки из нормального распределения с нулевым средним значением и дисперсией 0,01. Чтобы воспроизвести это поведение, установите 'WeightsInitializer' параметр слоя в 'narrow-normal'.
[1] Глорот, Ксавье и Йошуа Бенгио. «Понимание сложности обучения глубоким нейронным сетям». Материалы тринадцатой Международной конференции по искусственному интеллекту и статистике, 249-356. Сардиния, Италия: AISTATS, 2010.
[2] Хэ, Каймин, Сянъу Чжан, Шаоцин Жэнь и Цзянь Сунь. «Углубляясь в выпрямители: превосходя показатели на уровне человека по классификации ImageNet». В трудах Международной конференции IEEE 2015 по компьютерному зрению, 1026-1034. Вашингтон, округ Колумбия: Общество компьютерного зрения IEEE, 2015.
Примечания и ограничения по использованию:
Генерация кода не поддерживает асимметричную обрезку входных данных. Например, задание вектора [t b l r] для 'Cropping' параметр для обрезки верхнего, нижнего, левого и правого входных данных не поддерживается.
Имеется измененная версия этого примера. Открыть этот пример с помощью изменений?
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.