initialize
初始化神经网络的可学习参数和状态参数
说明
提示
大多数 dlnetwork 对象默认已初始化。仅当 dlnetwork 未初始化时，您才需要手动对其进行初始化。您可以使用 dlnetwork 对象的 Initialized 属性来检查网络是否已初始化。
netUpdated = initialize(net)net 的所有未设置的可学习参数和状态值。任何已包含值的可学习参数或状态参数将保持不变。
如果网络的可学习参数和状态参数为未设置的空值，则该网络处于未初始化状态。您必须先初始化未初始化的 dlnetwork，然后才能使用它。默认情况下，dlnetwork 对象在构造时已配置初始参数，无需初始化。
netUpdated = initialize(net,X1,...,XN)X1,...,XN 初始化 net 的所有未设置的可学习参数和状态值。当网络存在未连接到输入层的输入时，请使用此语法。
示例
将一个简单图像分类网络定义为层数组。
layers = [
imageInputLayer([28 28 1],Normalization="none")
convolution2dLayer(5,20)
batchNormalizationLayer
reluLayer
fullyConnectedLayer(10)
softmaxLayer];将层图转换为 dlnetwork 对象。通过将 Initialize 选项设置为 false 来创建一个未初始化的 dlnetwork 对象。
net = dlnetwork(layers,Initialize=false);
查看网络的可学习参数。由于网络未初始化，这些值为空。
net.Learnables
ans=6×3 table
Layer Parameter Value
___________ _________ ____________
"conv" "Weights" {0×0 double}
"conv" "Bias" {0×0 double}
"batchnorm" "Offset" {0×0 double}
"batchnorm" "Scale" {0×0 double}
"fc" "Weights" {0×0 double}
"fc" "Bias" {0×0 double}
使用 initialize 函数初始化网络的可学习参数。
net = initialize(net);
查看网络的可学习参数。由于网络现已初始化，因此这些值为非空值，大小通过输入层的大小推断得出。
net.Learnables
ans=6×3 table
Layer Parameter Value
___________ _________ ___________________
"conv" "Weights" { 5×5×1×20 dlarray}
"conv" "Bias" { 1×1×20 dlarray}
"batchnorm" "Offset" { 1×1×20 dlarray}
"batchnorm" "Scale" { 1×1×20 dlarray}
"fc" "Weights" {10×11520 dlarray}
"fc" "Bias" {10×1 dlarray}
定义一个多输入图像分类网络。
numFilters = 24;
net = dlnetwork;
layersBranch1 = [
convolution2dLayer(3,6*numFilters,Padding="same",Stride=2)
groupNormalizationLayer("all-channels")
reluLayer
convolution2dLayer(3,numFilters,Padding="same")
groupNormalizationLayer("channel-wise")
additionLayer(2,Name="add")
reluLayer
fullyConnectedLayer(10)
softmaxLayer];
layersBranch2 = [
convolution2dLayer(1,numFilters,Name="conv_branch")
groupNormalizationLayer("all-channels",Name="groupnorm_branch")];
net = addLayers(net, layersBranch1);
net = addLayers(net,layersBranch2);
net = connectLayers(net,"groupnorm_branch","add/in2"); 在图中可视化层。
figure plot(net)
查看网络的可学习参数。由于网络未初始化，这些值为空。
net.Learnables
ans=14×3 table
Layer Parameter Value
__________________ _________ ____________
"conv_1" "Weights" {0×0 double}
"conv_1" "Bias" {0×0 double}
"groupnorm_1" "Offset" {0×0 double}
"groupnorm_1" "Scale" {0×0 double}
"conv_2" "Weights" {0×0 double}
"conv_2" "Bias" {0×0 double}
"groupnorm_2" "Offset" {0×0 double}
"groupnorm_2" "Scale" {0×0 double}
"fc" "Weights" {0×0 double}
"fc" "Bias" {0×0 double}
"conv_branch" "Weights" {0×0 double}
"conv_branch" "Bias" {0×0 double}
"groupnorm_branch" "Offset" {0×0 double}
"groupnorm_branch" "Scale" {0×0 double}
查看网络输入的名称。
net.InputNames
ans = 1×2 cell
{'conv_1'} {'conv_branch'}
创建表示网络输入的随机 dlarray 对象。为网络的主分支使用大小为 64×64、具有 3 个通道的示例输入。为第二个分支使用大小为 64×64、具有 18 个通道的输入。
inputSize = [64 64 3]; inputSizeBranch = [32 32 18]; X1 = dlarray(rand(inputSize),"SSCB"); X2 = dlarray(rand(inputSizeBranch),"SSCB");
使用 initialize 函数初始化网络的可学习参数，并指定示例输入。按照与网络的 InputNames 属性对应的顺序指定输入。
net = initialize(net,X1,X2);
查看网络的可学习参数。由于网络现已初始化，因此这些值为非空值，大小通过输入数据的大小推断得出。
net.Learnables
ans=14×3 table
Layer Parameter Value
__________________ _________ _____________________
"conv_1" "Weights" { 3×3×3×144 dlarray}
"conv_1" "Bias" { 1×1×144 dlarray}
"groupnorm_1" "Offset" { 1×1×144 dlarray}
"groupnorm_1" "Scale" { 1×1×144 dlarray}
"conv_2" "Weights" { 3×3×144×24 dlarray}
"conv_2" "Bias" { 1×1×24 dlarray}
"groupnorm_2" "Offset" { 1×1×24 dlarray}
"groupnorm_2" "Scale" { 1×1×24 dlarray}
"conv_branch" "Weights" { 1×1×18×24 dlarray}
"conv_branch" "Bias" { 1×1×24 dlarray}
"groupnorm_branch" "Offset" { 1×1×24 dlarray}
"groupnorm_branch" "Scale" { 1×1×24 dlarray}
"fc" "Weights" {10×24576 dlarray}
"fc" "Bias" {10×1 dlarray}
创建一个具有两个未连接输入的未初始化 dlnetwork 对象。
layers = [
convolution2dLayer(5,16,Name="conv")
batchNormalizationLayer
reluLayer
fullyConnectedLayer(50)
flattenLayer
concatenationLayer(1,2,Name="cat")
fullyConnectedLayer(10)
softmaxLayer];
net = dlnetwork(layers,Initialize=false);查看网络的输入名称。
net.InputNames
ans = 1×2 cell
{'conv'} {'cat/in2'}
创建表示各输入对应的输入数据的网络数据布局对象。对于第一个输入，指定一批 28×28 的灰度图像。对于第二个输入，指定一批单通道特征数据。
layout1 = networkDataLayout([28 28 1 NaN],"SSCB"); layout2 = networkDataLayout([1 NaN],"CB");
使用网络数据布局对象初始化网络。
net = initialize(net,layout1,layout2)
net =
dlnetwork with properties:
Layers: [8×1 nnet.cnn.layer.Layer]
Connections: [7×2 table]
Learnables: [8×3 table]
State: [2×3 table]
InputNames: {'conv' 'cat/in2'}
OutputNames: {'softmax'}
Initialized: 1
View summary with summary.
