Layer

深度学习的网络层

全页展开

说明

定义深度学习神经网络架构的层。

创建对象

有关 MATLAB® 中深度学习层的列表，请参阅深度学习层列表。要指定所有层按顺序连接的神经网络的架构，请直接创建一个层数组。要指定层可以有多个输入或输出的网络架构，请使用 dlnetwork 对象。

您也可以分别使用 importCaffeLayers、importKerasLayers 和 importONNXLayers 从 Caffe、Keras 和 ONNX 导入层。

要了解如何创建自己的自定义层，请参阅定义自定义深度学习层。

示例

全部折叠

打开实时脚本

定义一个用于分类的卷积神经网络架构，该架构具有一个卷积层、一个 ReLU 层和一个全连接层。

layers = [ ...
    imageInputLayer([28 28 3])
    convolution2dLayer([5 5],10)
    reluLayer
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer]
layers = 
  6×1 Layer array with layers:

     1   ''   Image Input             28×28×3 images with 'zerocenter' normalization
     2   ''   2-D Convolution         10 5×5 convolutions with stride [1  1] and padding [0  0  0  0]
     3   ''   ReLU                    ReLU
     4   ''   Fully Connected         10 fully connected layer
     5   ''   Softmax                 softmax
     6   ''   Classification Output   crossentropyex

layers 是 Layer 对象。

您也可以单独创建各层，然后将它们串联起来。 

input = imageInputLayer([28 28 3]);
conv = convolution2dLayer([5 5],10);
relu = reluLayer;
fc = fullyConnectedLayer(10);
sm = softmaxLayer;
co = classificationLayer;

layers = [ ...
    input
    conv
    relu
    fc
    sm
    co]
layers = 
  6×1 Layer array with layers:

     1   ''   Image Input             28×28×3 images with 'zerocenter' normalization
     2   ''   2-D Convolution         10 5×5 convolutions with stride [1  1] and padding [0  0  0  0]
     3   ''   ReLU                    ReLU
     4   ''   Fully Connected         10 fully connected layer
     5   ''   Softmax                 softmax
     6   ''   Classification Output   crossentropyex
打开实时脚本

定义一个用于分类的卷积神经网络架构，该架构具有一个卷积层、一个 ReLU 层和一个全连接层。

layers = [ ...
    imageInputLayer([28 28 3])
    convolution2dLayer([5 5],10)
    reluLayer
    fullyConnectedLayer(10)
    softmaxLayer];

通过选择第一层来显示图像输入层。

layers(1)
ans = 
  ImageInputLayer with properties:

                      Name: ''
                 InputSize: [28 28 3]
        SplitComplexInputs: 0

   Hyperparameters
          DataAugmentation: 'none'
             Normalization: 'zerocenter'
    NormalizationDimension: 'auto'
                      Mean: []

查看图像输入层的输入大小。

layers(1).InputSize
ans = 1×3

    28    28     3

显示卷积层的步幅。

layers(2).Stride
ans = 1×2

     1     1

访问全连接层的偏置学习率因子。

layers(4).BiasLearnRateFactor
ans = 
1

版本历史记录

在 R2016a 中推出

另请参阅

| |

主题