Высота и ширина фильтров в виде вектора [h w] двух положительных целых чисел, где h - высота и w - ширина. FilterSize определяет размер локальных областей, с которыми нейроны соединяются во входе.

При создании слоя можно задать FilterSize в качестве скаляра для использования того же значения высоты и ширины.

Пример: [5 5] задает фильтры высотой 5 и шириной 5.

Количество фильтров в группе, заданное как положительное целое число. Это свойство определяет количество каналов в выходе слоя. Количество выхода каналов FiltersPerGroup * NumGroups.

Пример: 10

Количество групп, заданное в виде положительного целого или 'channel-wise'.

Если NumGroups является 'channel-wise'затем программное обеспечение создает слой для канальной свертки (также известной как глубинная свертка). В этом случае слой определяет NumGroups свойство во время обучения. Это значение эквивалентно установке NumGroups количеству входа каналов.

Количество групп должно равномерно разделять количество каналов входного сигнала слоя.

Пример: 2

Размер шага для прохождения входа вертикально и горизонтально, заданный как вектор [a b] двух положительных целых чисел, где a - размер и b вертикального шага - горизонтальный размер шага. При создании слоя можно задать Stride в качестве скаляра для использования одинакового значения для обоих размеров шага.

Пример: [2 3] задает размер шага по вертикали 2 и размер шага по горизонтали 3.

Фактор для расширенной свертки (также известный как атронная свертка), заданный как вектор [h w] двух положительных целых чисел, где h является вертикальным расширением и w - горизонтальное расширение. При создании слоя можно задать DilationFactor в качестве скаляра для использования одинакового значения как для горизонтальных, так и для вертикальных расширений.

Используйте расширенные свертки, чтобы увеличить восприимчивое поле (площадь входа, который может видеть слой) слоя, не увеличивая количество параметров или расчетов.

Слой расширяет фильтры путем вставки нулей между каждым фильтрующим элементом. Коэффициент расширения определяет размер шага для дискретизации входа или эквивалентно коэффициента повышающей дискретизации фильтра. Он соответствует эффективному размеру фильтра (Filter Size - 1). * Dilation Factor + 1. Для примера - фильтр 3 на 3 с коэффициентом расширения [2 2] эквивалентен фильтру 5 на 5 с нулями между элементами.

Пример: [2 3]

Размер заполнения для применения к входу границам, заданный как вектор [t b l r] из четырех неотрицательных целых чисел, где t - заполнение применяется к верхней части, b - заполнение, нанесенное на дно, l - заполнение, примененное влево, и r - заполнение, примененное справа.

Когда вы создаете слой, используйте 'Padding' аргумент пары "имя-значение" для определения размера заполнения.

Пример: [1 1 2 2] добавляет одну строку заполнения в верхнюю часть и снизу и два столбца заполнения слева и справа от входа.

Метод определения размера заполнения, заданный как 'manual' или 'same'.

Программа автоматически устанавливает значение PaddingMode на основе 'Padding' значение, заданное при создании слоя.

Значение для данных заполнения, заданное как одно из следующего:

Количество каналов в группе, заданное как 'auto' или положительное целое число. Количество каналов в группе равно количеству входа каналов, разделенных на количество групп.

Программа автоматически устанавливает это свойство во время обучения.

Пример: 256

Функция для инициализации весов, заданная как одно из следующего:

Слой инициализирует веса только тогда, когда Weights свойство пустое.

Типы данных: char | string | function_handle

Функция для инициализации смещения, заданная как одно из следующего:

Слой инициализирует смещение только тогда, когда Bias свойство пустое.

Типы данных: char | string | function_handle

Веса слоев для слоя, заданные как числовой массив.

Веса слоев являются настраиваемыми параметрами. Можно задать начальное значение для весов непосредственно с помощью Weights свойство слоя. При обучении сети, если Weights свойство слоя непусто, тогда trainNetwork использует Weights свойство как начальное значение. Если на Weights свойство пустое, тогда trainNetwork использует инициализатор, заданный как WeightsInitializer свойство слоя.

Во время обучения Weights является FilterSize(1)-by- FilterSize(2)-by- NumChannelsPerGroup-by- NumFiltersPerGroup-by- NumGroups массив, где NumInputChannels - количество каналов входного входа слоя.

Типы данных: single | double

Смещения слоев для слоя, заданные как числовой массив.

Смещения слоя являются настраиваемыми параметрами. При обучении сети, если Bias непусто, тогда trainNetwork использует Bias свойство как начальное значение. Если Bias пуст, тогда trainNetwork использует инициализатор, заданный как BiasInitializer.

Во время обучения Bias является 1 на 1-бай- NumFiltersPerGroup-by- NumGroups массив.

Типы данных: single | double

Коэффициент скорости обучения для весов, заданный как неотрицательный скаляр.

Программа умножает этот коэффициент на глобальный темп обучения, чтобы определить скорость обучения для весов на этом слое. Для примера, если WeightLearnRateFactor равен 2, тогда скорость обучения для весов на этом слое в два раза превышает текущую глобальную скорость обучения. Программа определяет глобальную скорость обучения на основе настроек, заданных в trainingOptions функция.

Пример: 2

Коэффициент скорости обучения для смещений, заданный как неотрицательный скаляр.

Программа умножает этот коэффициент на глобальную скорость обучения, чтобы определить скорость обучения для смещений на этом слое. Для примера, если BiasLearnRateFactor равен 2, тогда скорость обучения для смещений в слое в два раза превышает текущую глобальную скорость обучения. Программа определяет глобальную скорость обучения на основе настроек, заданных в trainingOptions функция.

Пример: 2

L2 регуляризации для весов, заданный как неотрицательный скаляр.

Программа умножает этот коэффициент на глобальный коэффициент регуляризации L2, чтобы определить L2 регуляризацию для весов на этом слое. Для примера, если WeightL2Factor равен 2, тогда L2 регуляризация для весов в этом слое в два раза превышает глобальный коэффициент регуляризации L2. Можно задать глобальный коэффициент регуляризации L2 с помощью trainingOptions функция.

Пример: 2

L2 регуляризации для смещений, заданный как неотрицательный скаляр.

Программа умножает этот коэффициент на глобальный коэффициент регуляризации L2, чтобы определить L2 регуляризацию для смещений на этом слое. Для примера, если BiasL2Factor равен 2, тогда L2 регуляризация для смещений в этом слое в два раза превышает глобальный коэффициент регуляризации L2. Можно задать глобальный коэффициент регуляризации L2 с помощью trainingOptions функция.

Пример: 2

Имя слоя, заданное как вектор символов или строковый скаляр. Чтобы включить слой в график слоев, необходимо задать непустое уникальное имя слоя. Если вы обучаете последовательную сеть с слоем и Name установлено в ''затем программа автоматически присваивает слою имя 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 слоя. Этот слой имеет только один выход.

Типы данных: double

Выходные имена слоя. Этот слой имеет только один выход.

Типы данных: cell