Транспонированный 2-D слой свертки
Транспонированный 2-D слой свертки преобразует функции.
Этот слой иногда неправильно известен как слой «deconvolution» или «deconv». 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 полосу 4 в горизонтальном и вертикальном направлениях.
layer = transposedConv2dLayer(11,96,'Stride',4);filterSize - Высота и ширина фильтровВысота и ширина фильтров, заданных как вектор двух положительных целых чисел [h w], где h - высота и w - ширина. FilterSize определяет размер локальных областей, с которыми нейроны соединяются во входе.
Если вы задаете FilterSize используя входной параметр, можно задать FilterSize в качестве скаляра для использования одинакового значения для обеих размерностей.
Пример:
[5 5] задает фильтры высоты 5 и ширины 5.
numFilters - Количество фильтровКоличество фильтров, заданное в виде положительного целого числа. Это число соответствует количеству нейронов в слое, которые соединяются с одной и той же областью на входе. Этот параметр определяет количество каналов (функции) в выходе сверточного слоя.
Пример:
96
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.
'Cropping',1
'Stride' - Коэффициент увеличения дискретизации1 (по умолчанию) | вектор из двух положительных целых чисел | положительное целое числоКоэффициент увеличения дискретизации входа, заданный как один из следующих:
Вектор с двумя положительными целыми числами [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' - Сокращение размера выходного сигнала0 (по умолчанию) | 'same' | неотрицательное целое число | вектор двух неотрицательных целых чиселВыход сигнала, заданное как одно из следующего:
'same' - Установите обрезку так, чтобы размер выхода равнялся inputSize .* Stride, где inputSize - высота и ширина входа слоя. Если вы задаете 'Cropping' опция для 'same', затем программное обеспечение автоматически устанавливает CroppingMode свойство слоя, чтобы 'same'.
Программа обрезает одинаковое количество сверху и снизу, а слева и справа, по возможности. Если количество обрезки по вертикали имеет нечетное значение, то программа обрезает дополнительную строку снизу. Если значение обрезки по горизонтали имеет нечетное значение, то программа обрезает справа дополнительный столбец.
Положительное целое число - Обрезать заданный объем данных со всех ребер.
Вектор неотрицательных целых чисел [a b] - Обрезка a от верхней части и дна и обрезка b слева и справа.
Векторное [t b l r] - Обрезка t, b, l, r от верхней части, снизу, слева и справа от входа, соответственно.
Если вы задаете 'Cropping' опция для числового значения, затем программное обеспечение автоматически устанавливает CroppingMode свойство слоя, чтобы 'manual'.
Пример:
[1 2]
'NumChannels' - Количество каналов для каждого фильтра'auto' (по умолчанию) | положительное целое числоКоличество каналов для каждого фильтра, заданное как 'NumChannels'и 'auto' или положительное целое число.
Этот параметр должен быть равен количеству каналов входа в этот сверточный слой. Для примера, если вход является цветным изображением, то количество каналов для ввода должно быть 3. Если количество фильтров для сверточного слоя перед текущим слоем составляет 16, то количество каналов для этого слоя должно быть 16.
'WeightsInitializer' - Функция для инициализации весов'glorot' (по умолчанию) | 'he' | 'narrow-normal' | 'zeros' | 'ones' | указатель на функциюФункция для инициализации весов, заданная как одно из следующего:
'glorot' - Инициализируйте веса с помощью инициализатора Glorot [1] (также известного как инициализатор Xavier). Инициализатор Glorot независимо выбирает из равномерного распределения с нулем среднего и отклонением 2/(numIn + numOut), где numIn = filterSize(1)*filterSize(2)*NumChannels, numOut = filterSize(1)*filterSize(2)*numFilters, и NumChannels количество входа каналов.
'he' - Инициализируйте веса с помощью инициализатора He [2]. Инициализатор He производит выборки из нормального распределения с нулем среднего и отклонением 2/numIn, где numIn = filterSize(1)*filterSize(2)*NumChannels и NumChannels количество входа каналов.
'narrow-normal' - Инициализируйте веса путем независимой выборки из нормального распределения с нулевым средним и стандартным отклонением 0,01.
'zeros' - Инициализируйте веса с нулями.
'ones' - Инициализируйте веса с таковыми.
Указатель на функцию - Инициализируйте веса с помощью пользовательской функции. Если вы задаете указатель на функцию, то функция должна иметь вид weights = func(sz), где sz - размер весов. Для получения примера смотрите Задать Пользовательскую Функцию Инициализации Веса.
Слой инициализирует веса только тогда, когда Weights свойство пустое.
Типы данных: char | string | function_handle
'BiasInitializer' - Функция для инициализации смещения'zeros' (по умолчанию) | 'narrow-normal' | 'ones' | указатель на функциюФункция для инициализации смещения, заданная как одно из следующего:
'zeros' - Инициализируйте смещение с нулями.
'ones' - Инициализируйте смещение с таковые.
'narrow-normal' - Инициализируйте смещение путем независимой выборки из нормального распределения с нулевым средним и стандартным отклонением 0,01.
Указатель на функцию - Инициализируйте смещение с помощью пользовательской функции. Если вы задаете указатель на функцию, то функция должна иметь вид bias = func(sz), где sz - размер смещения.
Слой инициализирует смещение только тогда, когда Bias свойство пустое.
Типы данных: char | string | function_handle
'Weights' - Веса слоев[] (по умолчанию) | числовой массивВеса слоев для сверточного 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- numFilters-by- NumChannels массив.
Типы данных: single | double
'Bias' - Смещения слоев[] (по умолчанию) | числовой массивСмещения слоев для сверточного 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- numFilters массив.
Типы данных: single | double
'WeightLearnRateFactor' - Коэффициент скорости обучения для весовКоэффициент 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
'BiasLearnRateFactor' - Коэффициент скорости обучения для смещенийКоэффициент 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
'WeightL2Factor' - L2 коэффициент регуляризации для весовL2 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
'BiasL2Factor' - L2 коэффициент регуляризации для смещенийL2 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
'Name' - Имя слоя'' (по умолчанию) | символьный вектор | строковый скаляр
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
layer - Транспонированный 2-D слой сверткиTransposedConvolution2DLayer объектТранспонированный 2-D слой свертки, возвращенный как TransposedConvolution2DLayer объект.
Поведение изменено в R2019a
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 релизах программное обеспечение по умолчанию инициализирует веса слоев путем дискретизации из нормального распределения с нулем среднего и отклонением 0,01. Чтобы воспроизвести это поведение, установите 'WeightsInitializer' опция слоя для 'narrow-normal'.
[1] Глорот, Ксавьер и Йошуа Бенгио. «Понимание сложности обучения нейронных сетей с глубоким Feedforward». В работе тринадцатой Международной конференции по искусственному интеллекту и статистике, 249-356. Сардиния, Италия: AISTATS, 2010.
[2] He, Kaiming, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. «Delving Deep Into Rectifiers: Overpassing Human-Level Performance on ImageNet Classification». В работе Международной конференции IEEE по компьютерному зрению 2015 года, 1026-1034. Вашингтон, округ Колумбия: IEEE Компьютерное Зрение Society, 2015.
Указания и ограничения по применению:
Генерация кода не поддерживает асимметричное обрезание входа. Для примера укажите вектор [t b l r] для 'Cropping' параметр для обрезки верхнего, нижнего, левого и правого входных входов не поддерживается.
У вас есть измененная версия этого примера. Вы хотите открыть этот пример с вашими правками?
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.