Exponenta Banner

reluLayer

Слой Rectified Linear Unit (ReLU)

развернуть все на странице

Описание

Слой ReLU выполняет операцию порога каждому элементу входа, где любое значение, меньше нуля, устанавливается в ноль.

Эта операция эквивалентна

f(x)={x,x≥00,x<0.

Создание

Синтаксис

layer = reluLayer
layer = reluLayer('Name',Name)

Описание

layer = reluLayer создает слой ReLU.

пример

layer = reluLayer('Name',Name) создает слой ReLU и устанавливает дополнительный Name свойство с использованием пары "имя-значение". Для примера, reluLayer('Name','relu1') создает слой ReLU с именем 'relu1'.

Свойства

расширить все

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

Примеры

свернуть все

Открыть Live Script

Создайте слой ReLU с именем 'relu1'.

layer = reluLayer('Name','relu1')
layer = 
  ReLULayer with properties:

    Name: 'relu1'

Включите слой ReLU в Layer массив.

layers = [ ...
    imageInputLayer([28 28 1])
    convolution2dLayer(5,20)
    reluLayer
    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   ''   ReLU                    ReLU
     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

Подробнее о

расширить все

Ссылки

[1] Наир, Винод и Джеффри Хинтон. «Исправленные линейные модули улучшают машины с ограничениями boltzmann». В Трудах 27-й международной конференции по машинному обучению (ICML-10), стр. 807-814. 2010.

Расширенные возможности

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

.

Генерация кода GPU
Сгенерируйте код CUDA ® для графических процессоров NVIDIA ® с помощью GPU Coder™

.

См. также

| | | | |

Темы

Введенный в R2016a

Документация по Deep Learning Toolbox

Поддержка