activations

经过训练的网络，指定为 SeriesNetwork 或 DAGNetwork 对象。您可以通过导入预训练网络（例如，通过使用 googlenet 函数）或通过使用 trainNetwork 训练您自己的网络来获得经过训练的网络。

图像数据，指定为下列值之一。

当您将数据存储用于具有多个输入的网络时，该数据存储必须为 TransformedDatastore 或 CombinedDatastore 对象。

数据存储

数据存储用于读取小批量的图像和响应值。当您的数据无法放入内存或要调整输入数据的大小时，请使用数据存储。

对于图像数据，下列数据存储直接与 activations 兼容：

通过使用 transform 和 combine 函数，您可以使用其他内置数据存储进行预测。这些函数可以将从数据存储中读取的数据转换为 classify 所需的格式。

数据存储输出所需的格式取决于网络架构。

data = read(ds)

data =

  4×1 table

        Predictors    
    __________________

    {224×224×3 double}
    {224×224×3 double}
    {224×224×3 double}
    {224×224×3 double}

data = read(ds)

data =

  4×1 cell array

    {224×224×3 double}
    {224×224×3 double}
    {224×224×3 double}
    {224×224×3 double}

data = read(ds)

data =

  4×2 cell array

    {224×224×3 double}    {128×128×3 double}
    {224×224×3 double}    {128×128×3 double}
    {224×224×3 double}    {128×128×3 double}
    {224×224×3 double}    {128×128×3 double}

预测变量的格式取决于数据的类型。

有关详细信息，请参阅Datastores for Deep Learning。

数值数组

对于可放入内存并且不需要增强等额外处理的数据，您可以将图像数据集指定为数值数组。

数值数组的大小和形状取决于图像数据的类型。

表

作为数据存储或数值数组的替代方法，您还可以在表中指定图像。

在表中指定图像时，表中的每行对应一个观测值。

对于图像输入，预测变量必须位于表的第一列，指定为以下项之一：

序列或时间序列数据，指定为下列各项之一。

数据存储

数据存储读取若干小批量序列和响应。当您有无法放入内存的数据或要对数据应用变换时，请使用数据存储。

对于序列数据，下列数据存储直接与 activations 兼容：

通过使用 transform 和 combine 函数，您可以使用其他内置数据存储进行预测。这些函数可以将从数据存储中读取的数据转换为 activations 所需的表或元胞数组格式。例如，您可以分别使用 ArrayDatastore 和 TabularTextDatastore 对象变换和合并从内存数组和 CSV 文件中读取的数据。

数据存储必须以表或元胞数组的形式返回数据。自定义小批量数据存储必须输出表。

data = read(ds)

data =

  4×2 table

        Predictors    
    __________________

    {12×50 double}
    {12×50 double}
    {12×50 double}
    {12×50 double}

data = read(ds)

data =

  4×2 cell array

    {12×50 double}
    {12×50 double}
    {12×50 double}
    {12×50 double}

预测变量的格式取决于数据的类型。

对于表中返回的预测变量，元素必须包含数值标量、数值行向量或包含数值数组的 1×1 元胞数组。

有关详细信息，请参阅Datastores for Deep Learning。

数值数组或元胞数组

对于可放入内存并且不需要自定义变换等额外处理的数据，可以将单个序列指定为数值数组，或将序列数据集指定为由数值数组组成的元胞数组。

对于元胞数组输入，元胞数组必须为由数值数组组成的 N×1 元胞数组，其中 N 是观测值数目。表示序列的数值数组的大小和形状取决于序列数据的类型。

特征数据，指定为下列各项之一。

数据存储

数据存储读取小批量的特征数据和响应。当您有无法放入内存的数据或要对数据应用变换时，请使用数据存储。

对于特征数据，下列数据存储直接与 activations 兼容：

通过使用 transform 和 combine 函数，您可以使用其他内置数据存储进行预测。这些函数可以将从数据存储中读取的数据转换为 activations 所需的表或元胞数组格式。有关详细信息，请参阅Datastores for Deep Learning。

对于具有多个输入的网络，数据存储必须为 TransformedDatastore 或 CombinedDatastore 对象。

数据存储必须以表或元胞数组的形式返回数据。自定义小批量数据存储必须输出表。数据存储输出的格式取决于网络架构。

data = read(ds)

data =

  4×2 table

        Predictors    
    __________________

    {24×1 double}
    {24×1 double}
    {24×1 double}
    {24×1 double}

data = read(ds)

data =

  4×1 cell array

    {24×1 double}
    {24×1 double}
    {24×1 double}
    {24×1 double}

data = read(ds)

data =

  4×3 cell array

    {24×1 double}    {28×1 double}
    {24×1 double}    {28×1 double}
    {24×1 double}    {28×1 double}
    {24×1 double}    {28×1 double}

预测变量必须为 c×1 列向量，其中 c 是特征数。

有关详细信息，请参阅Datastores for Deep Learning。

表

对于可放入内存且不需要自定义变换等其他处理的特征数据，可以将特征数据和响应指定为表。

表中的每行对应一个观测值。预测变量在表列中的排列取决于任务的类型。

数值数组

对于可放入内存且不需要自定义变换等额外处理的特征数据，可以将特征数据指定为数值数组。

数值数组必须为 N×numFeatures 的数值数组，其中 N 是观测值数目，numFeatures 是输入数据的特征数。

对于具有多个输入的网络，该输入为数值或元胞数组。

对于图像、序列和特征预测变量输入，预测变量的格式必须分别与 images、sequences 或 features 参量描述中所述的格式匹配。

有关如何训练具有多个输入的网络的示例，请参阅Train Network on Image and Feature Data。

要将复数值数据输入到 DAGNetwork 或 SeriesNetwork 对象中，输入层的 SplitComplexInputs 选项必须为 1 (true)。

混合数据，指定为下列各项之一。

通过使用 transform 和 combine 函数，您可以使用其他内置数据存储进行预测。这些函数可以将从数据存储中读取的数据转换为 activations 所需的表或元胞数组格式。有关详细信息，请参阅Datastores for Deep Learning。

数据存储必须以表或元胞数组的形式返回数据。自定义小批量数据存储必须输出表。数据存储输出的格式取决于网络架构。

data = read(ds)

data =

  4×3 cell array

    {24×1 double}    {28×1 double}
    {24×1 double}    {28×1 double}
    {24×1 double}    {28×1 double}
    {24×1 double}    {28×1 double}

对于图像、序列和特征预测变量输入，预测变量的格式必须分别与 images、sequences 或 features 参量描述中所述的格式匹配。

有关如何训练具有多个输入的网络的示例，请参阅Train Network on Image and Feature Data。

要从中提取激活值的层，指定为数值索引或字符向量。

要计算 SeriesNetwork 对象的激活，请使用其数值索引指定层，或指定为与层名称对应的字符向量。

要计算 DAGNetwork 对象的激活，请将层指定为与层名称对应的字符向量。如果层有多个输出，请将层和输出指定为层名称，后面依次跟字符“/”和层输出的名称。也就是说，layer 的形式为 'layerName/outputName'。

示例: 3

示例: 'conv1'

示例: 'mpool/out'