checkLayer

Проверяйте валидность пользовательского слоя

Синтаксис

checkLayer(layer,validInputSize)

checkLayer(layer,validInputSize,Name,Value)

Описание

checkLayer(layer,validInputSize) проверяет валидность пользовательского слоя, используя сгенерированные данные размеров в validInputSize. Для слоев с одним входом задайте validInputSize к типовому размеру входных данных для слоя. Для слоев с несколькими входами задайте validInputSize массиву ячеек типичных размеров, где каждый элемент соответствует входу слоя.

пример

checkLayer(layer,validInputSize,Name,Value) задает дополнительные опции, используя одну или несколько пары "имя-значение".

Примеры

свернуть все

Проверяйте валидность слоя

Открыть Live Script

Проверьте валидность пользовательского слоя preluLayer.

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

Создайте образец слоя и проверьте, что он действителен checkLayer. Установите допустимый размер входного сигнала, равный типовому размеру единственного входа наблюдения для слоя. Для одного входа слой ожидает наблюдения размера h-на-w-на-c, где h, w и c являются высотой, шириной и количеством каналов предыдущего выходного слоя, соответственно.

Задайте validInputSize как типовой размер массива входа.

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 вы не задаете 'ObservationsDimension' опция, или не имеет графический процессор, тогда функция пропускает соответствующие тесты.

Проверяйте несколько наблюдений

Для входных входов нескольких наблюдений слой ожидает массив наблюдений размера h-на-w-на-c-на-N, где h, w и c - высота, ширина и количество каналов, соответственно, и N - количество наблюдений.

Чтобы проверить валидность слоя для нескольких наблюдений, задайте типичный размер наблюдения и установите 'ObservationDimension' по 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 со слоем.

Проверяйте слой на совместимость генерации кода

Открыть Live Script

Проверьте совместимость генерации кода пользовательского слоя codegenPreluLayer.

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

Создайте образец слоя и проверьте его валидность с помощью checkLayer. Задайте допустимый размер входа как размер единственного наблюдения типового входа для слоя. Слой ожидает 4-D входов массива, где первые три размерности соответствуют высоте, ширине и количеству каналов предыдущего выхода слоя, а четвертая размерность соответствует наблюдениям.

Задайте типовой размер входа наблюдения и установите '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 проблем со слоем.

Входные параметры

свернуть все

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

Пользовательский слой, заданный как nnet.layer.Layer объект, nnet.layer.ClassificationLayer объект, или nnet.layer.RegressionLayer объект. Для примера, показывающего, как задать свой собственный пользовательский слой, смотрите Задать Пользовательский Слой Глубокого Обучения с Настраиваемыми параметрами.

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

`validInputSize` - Действительные входные размеры
вектор положительных целых чисел | массив ячеек векторов положительных целых чисел

Допустимые входные размеры слоя, заданные как вектор положительных целых чисел или массив ячеек векторов положительных целых чисел.

Для слоев с одним входом задайте validInputSize как вектор целых чисел, соответствующих размерностям входных данных. Для примера, [5 5 10] соответствует действительным входным данным размера 5 на 5 на 10.
Для слоев с несколькими входами задайте validInputSize как массив ячеек векторов, где каждый вектор соответствует слою входу, а элементы векторов соответствуют размерностям соответствующих входных данных. Для примера, {[24 24 20],[24 24 10]} соответствует действительным размерам входа двух входов, где 24 на 24 на 20 - действительный размер входа для первого входа, и 24 на 24 на 10 - действительный размер входа для второго входа.

Для получения дополнительной информации смотрите Слой Входа Sizes.

Для больших размеров входного сигнала проверки градиента выполняются дольше. Чтобы ускорить тесты, укажите меньший допустимый размер входа.

Пример: [5 5 10]

Пример: {[24 24 20],[24 24 10]}

Аргументы в виде пар имя-значение

Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.

Пример: 'ObservationDimension',4 устанавливает размерность наблюдения равным 4

`'ObservationDimension'` - размерность наблюдения
положительное целое число

Размерность наблюдения, заданная как разделенная разделенными запятой парами, состоящая из 'ObservationDimension' и положительное целое число.

Размерность наблюдения определяет, 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, то размерность наблюдения равна 4. Для получения дополнительной информации смотрите Слой Входа Sizes.

Если вы задаете размерность наблюдения, то checkLayer функция проверяет, что функции слоя действительны, используя сгенерированные данные с мини-пакетами размера 1 и 2. Если вы не задаете размерность наблюдения, то функция пропускает соответствующие тесты.

`'CheckCodegenCompatibility'` - Флаг, чтобы включить тесты генерации кода
`false` (по умолчанию) | `true`

Флаг для включения тестов генерации кода, заданный как разделенная разделенными запятой парами, состоящая из 'CheckCodegenCompatibility' и true или false.

Если 'CheckCodegenCompatibility' является true, затем необходимо задать 'ObservationDimension' опция.

checkLayer функция не проверяет функции, которые несовместимы с генерацией кода. Чтобы проверить, что определение пользовательского слоя поддерживается для генерации кода, сначала используйте Code Generation Readiness. Для получения дополнительной информации смотрите Проверить код при помощи Инструмента готовности генерации кода (MATLAB Coder).

Типы данных: logical

Подробнее о

свернуть все

Входные размеры слоя

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

Промежуточные слои

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

Для слоев с одним входом задайте validInputSize как вектор целых чисел, соответствующих размерностям входных данных.
Для слоев с несколькими входами задайте validInputSize как массив ячеек векторов, где каждый вектор соответствует слою входу, а элементы векторов соответствуют размерностям соответствующих входных данных.

Вход слоя	Вход сигнала	Размерность наблюдения
2-D изображения	h -by- w -by- c -by- N, где h, w и c соответствуют высоте, ширине и количеству каналов изображений, соответственно, а N - количеству наблюдений.	4
3-D изображения	<reservedrangesplaceholder9>-by-<reservedrangesplaceholder8>-by-<reservedrangesplaceholder7>-by-<reservedrangesplaceholder6>-by-<reservedrangesplaceholder5>, где h, w, d, и c соответствуют высоте, ширине, глубине, и количество каналов 3D изображений, соответственно, и N - количество наблюдений.	5
Векторные последовательности	c -by- N -by- S, где c - количество функций последовательностей, N - количество наблюдений, а S - длина последовательности.	2
2-D 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, а S - 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 количество наблюдений, а S - длина последовательности.	5

Для примера, для 2-D задач классификации изображений, установите validInputSize на [h w c], где h, w, и c соответствуют высоте, ширине и количеству каналов изображений, соответственно и 'ObservationDimension' на 4.

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

Выходные слои

Для выходных слоев (слоев типа nnet.layer.ClassificationLayer или nnet.layer.RegressionLayer), установите validInputSize к типовому размеру одной входной Y наблюдения к слою.

Для задач классификации, допустимого размера входа и размерности наблюдения Y зависят от типа задачи:

Задача классификации	Вход сигнала	Размерность наблюдения
2-D классификации изображений	1 на 1-by - K -by - N, где K - количество классов, а N - количество наблюдений.	4
3-D классификации изображений	1 на 1 на 1 K N, где K количество классов и N, является количеством наблюдений.	5
Классификация от последовательности до метки	K -by - N, где K - количество классов, а N - количество наблюдений.	2
Классификация последовательность-последовательность	K -by- N -by- S, где K - количество классов, N - количество наблюдений, а S - длина последовательности.	2

Для примера, для 2-D задач классификации изображений, установите validInputSize на [1 1 K], где K количество классов и 'ObservationDimension' на 4.

Для задач регрессии, размерности Y также зависят от типа задачи. Следующая таблица описывает размерности Y.

Регрессионная задача	Вход сигнала	Размерность наблюдения
2-D регрессию изображения	1 на 1-by - R -by - N, где R - количество откликов, а N - количество наблюдений.	4
2-D регрессию «изображение-изображение»	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 регрессию изображения	1 на 1 на 1 R N, где R количество ответов и N, является количеством наблюдений.	5
3-D регрессию «изображение-изображение»	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 от последовательности к единице	R -by - N, где R - количество откликов, а N - количество наблюдений.	2
Регрессия от последовательности к последовательности	R -by- N -by- S, где R - количество откликов, N - количество наблюдений, а S - длина последовательности.	2

Для примера, для 2-D задач регрессии изображений, установите validInputSize на [1 1 R], где R количество ответов и 'ObservationDimension' на 4.

Алгоритмы

свернуть все

Список тестов

checkLayer функция проверяет валидность пользовательского слоя путем выполнения ряда тестов, описанных в этих таблицах. Для получения дополнительной информации о тестах, используемых checkLayer, см. «Проверка валидности пользовательского слоя».

Промежуточные слои

checkLayer функция использует эти тесты, чтобы проверить валидность пользовательских промежуточных слоев (слоев типа nnet.layer.Layer).

Тест	Описание
`functionSyntaxesAreCorrect`	Синтаксисы функций слоя заданы правильно.
`predictDoesNotError`	`predict` не ошибается.
`forwardDoesNotError`	Когда задано, `forward` не ошибается.
`forwardPredictAreConsistentInSize`	Когда `forward` задан, `forward` и `predict` выходные значения того же размера.
`backwardDoesNotError`	Когда задано, `backward` не ошибается.
`backwardIsConsistentInSize`	Когда `backward` задается, выходы `backward` являются последовательными в размере: Производные по отношению к каждому входу имеют тот же размер, что и соответствующий вход. Производные относительно каждого настраиваемого параметра являются таким же размером, как и соответствующий настраиваемый параметр.
`predictIsConsistentInType`	Выходные выходы `predict` согласуются в типе с входами.
`forwardIsConsistentInType`	Когда `forward` задается, выходы `forward` согласуются в типе с входами.
`backwardIsConsistentInType`	Когда `backward` задается, выходы `backward` согласуются в типе с входами.
`gradientsAreNumericallyCorrect`	Когда `backward` задан градиент, вычисленный в `backward` согласуются с числовыми градиентами.
`backwardPropagationDoesNotError`	Когда `backward` не задан, производные могут быть вычислены с помощью автоматической дифференциации.
`codegenPragmaDefinedInClassDef`	Прагма- `"%#codegen"` для генерации кода указано в файле класса.
`checkForSupportedLayerPropertiesForCodegen`	Свойства слоя поддерживают генерацию кода.
`predictIsValidForCodeGeneration`	`predict` действителен для генерации кода.

Тесты predictIsConsistentInType, forwardIsConsistentInType, и backwardIsConsistentInType также проверьте совместимость с GPU. Чтобы выполнить функции слоя на графическом процессоре, функции должны поддерживать входы и выходы типа gpuArray с базовым типом данных single.

Выходные слои

checkLayer функция использует эти тесты, чтобы проверить валидность пользовательских выходных слоев (слоев типа nnet.layer.ClassificationLayer или nnet.layer.RegressionLayer).

Тест	Описание
`forwardLossDoesNotError`	`forwardLoss` не ошибается.
`backwardLossDoesNotError`	`backwardLoss` не ошибается.
`forwardLossIsScalar`	Область выхода `forwardLoss` скаляром.
`backwardLossIsConsistentInSize`	Когда `backwardLoss` задан, выход `backwardLoss` согласуется в размере: `dLdY` - тот же размер, что и предсказания `Y`.
`forwardLossIsConsistentInType`	Область выхода `forwardLoss` согласуется в типе: `loss` - тот же тип, что и предсказания `Y`.
`backwardLossIsConsistentInType`	Когда `backwardLoss` задан, выход `backwardLoss` согласуется в типе: `dLdY` должен быть того же типа, что и предсказания `Y`.
`gradientsAreNumericallyCorrect`	Когда `backwardLoss` задан градиент, вычисленный в `backwardLoss` численно верны.
`backwardPropagationDoesNotError`	Когда `backwardLoss` не задан, производные могут быть вычислены с помощью автоматической дифференциации.

The forwardLossIsConsistentInType и backwardLossIsConsistentInType тесты также проверяют совместимость с GPU. Чтобы выполнить функции слоя на графическом процессоре, функции должны поддерживать входы и выходы типа gpuArray с базовым типом данных single.

См. также

analyzeNetwork | trainingOptions | trainNetwork

Темы

Введенный в R2018a

Документация

checkLayer

Синтаксис

Описание

Примеры

Проверяйте валидность слоя

Проверяйте слой на совместимость генерации кода

Входные параметры

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

`validInputSize` - Действительные входные размеры
вектор положительных целых чисел | массив ячеек векторов положительных целых чисел

Аргументы в виде пар имя-значение

`'ObservationDimension'` - размерность наблюдения
положительное целое число

`'CheckCodegenCompatibility'` - Флаг, чтобы включить тесты генерации кода
`false` (по умолчанию) | `true`

Подробнее о

Входные размеры слоя

Алгоритмы

Список тестов

См. также

Темы

Документация по Deep Learning Toolbox

Поддержка

Документация

checkLayer

Синтаксис

Описание

Примеры

Проверяйте валидность слоя

Проверяйте слой на совместимость генерации кода

Входные параметры

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

validInputSize - Действительные входные размеры вектор положительных целых чисел | массив ячеек векторов положительных целых чисел

Аргументы в виде пар имя-значение

'ObservationDimension' - размерность наблюдения положительное целое число

'CheckCodegenCompatibility' - Флаг, чтобы включить тесты генерации кода false (по умолчанию) | true

Подробнее о

Входные размеры слоя

Алгоритмы

Список тестов

См. также

Темы

Документация по Deep Learning Toolbox

Поддержка

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

`validInputSize` - Действительные входные размеры
вектор положительных целых чисел | массив ячеек векторов положительных целых чисел

`'ObservationDimension'` - размерность наблюдения
положительное целое число

`'CheckCodegenCompatibility'` - Флаг, чтобы включить тесты генерации кода
`false` (по умолчанию) | `true`