La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

convolution1dLayer

Capa convolucional 1D

Desde R2021b

Descripción

Una capa convolucional 1D aplica filtros convolucionales deslizantes a la entrada 1D. La capa convoluciona la entrada moviendo los filtros a lo largo de la entrada y calculando el producto de puntos de los pesos y la entrada, para después añadir un término de sesgo.

La dimensión en la que convoluciona la capa depende de la entrada de la capa:

• Para entradas de series de tiempo y secuencias de vectores (datos con tres dimensiones correspondientes a los canales, observaciones y pasos de tiempo), la capa convoluciona en la dimensión de tiempo.

• Para la entrada de imagen 1D (datos con tres dimensiones correspondientes a los píxeles espaciales, canales y observaciones), la capa convoluciona en la dimensión espacial.

• Para entradas de secuencias de imágenes 1D (datos con cuatro dimensiones correspondientes a los píxeles espaciales, canales, observaciones y unidades de tiempo), la capa convoluciona en la dimensión espacial.

Creación

Sintaxis

layer = convolution1dLayer(filterSize,numFilters)

layer = convolution1dLayer(filterSize,numFilters,Name=Value)

Descripción

layer = convolution1dLayer(filterSize,numFilters) crea una capa convolucional 1D y establece las propiedades FilterSize y NumFilters.

layer = convolution1dLayer(filterSize,numFilters,Name=Value) establece las propiedades opcionales usando uno o más argumentos nombre-valor.

Argumentos de entrada

filterSize — Anchura de los filtros

entero positivo

Anchura de los filtros, especificada como entero positivo.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

numFilters — Número de filtros

entero positivo

Número de filtros, especificado como entero positivo. Este número corresponde al número de neuronas de la capa que se conectan a la misma región de la entrada. Este parámetro determina el número de canales (mapas de características) de la salida de la capa.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

Argumentos de par nombre-valor

Especifique pares de argumentos opcionales como Name1=Value1,...,NameN=ValueN, donde Name es el nombre del argumento y Value es el valor correspondiente. Los argumentos de nombre-valor deben aparecer después de otros argumentos. Sin embargo, el orden de los pares no importa.

Ejemplo: convolution1dLayer(11,96,Padding=1) crea una capa convolucional 1D con 96 filtros de tamaño 11 y especifica un relleno de tamaño 1 a la izquierda y a la derecha de la entrada de la capa.

Stride — Tamaño de paso para recorrer la entrada

1 (predeterminado) | entero positivo

Tamaño de paso para recorrer la entrada, especificado como entero positivo.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

DilationFactor — Factor de convolución dilatada

1 (predeterminado) | entero positivo

Factor de convolución dilatada (también conocida como convolución atrous), especificado como entero positivo.

Utilice convoluciones dilatadas para aumentar el campo receptivo de la capa (el área de la entrada que la capa puede ver) sin aumentar la cantidad de parámetros o cálculos.

La capa expande los filtros insertando ceros entre cada elemento de filtro. El factor de dilatación determina el tamaño del paso para muestrear la entrada o, de forma equivalente, el factor de sobremuestreo del filtro. Corresponde a un tamaño de filtro efectivo de (FilterSize – 1) .* DilationFactor + 1. Por ejemplo, un filtro de 1 por 3 con un factor de dilatación de 2 equivale a un filtro de 1 por 5 con ceros entre los elementos.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

Padding — Relleno para aplicar a la entrada

[0 0] (predeterminado) | "same" | "causal" | Entero no negativo | Vector de enteros no negativos

Relleno para aplicar a la entrada, especificado como una de las siguientes opciones:

• "same": aplica relleno de tal manera que el tamaño de salida sea ceil(inputSize/stride), donde inputSize es la longitud de la entrada. Cuando Stride es 1, la salida es del mismo tamaño que la entrada.

• "causal": aplica relleno a la izquierda de la entrada, equivalente a (FilterSize - 1) .* DilationFactor. Cuando Stride es 1, la salida es del mismo tamaño que la entrada.

• Entero no negativo sz: añade relleno de tamaño sz a ambos extremos de la entrada.

• Vector [l r] de enteros no negativos: añade relleno de tamaño l a la izquierda y r a la derecha de la entrada.

Ejemplo: Padding=[2 1] añade relleno de tamaño 2 a la izquierda y de tamaño 1 a la derecha de la entrada.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | char | string

PaddingValue — Valor para rellenar datos

0 (predeterminado) | escalar | "symmetric-include-edge" | "symmetric-exclude-edge" | "replicate"

Valor para rellenar datos, especificado como uno de los siguientes:

PaddingValue	Descripción	Ejemplo
Escalar	Rellenar con el valor escalar especificado.	$$\left[\begin{array}{ccc}3& 1& 4\end{array}\right]\to \left[\begin{array}{ccccccc}0& 0& 3& 1& 4& 0& 0\end{array}\right]$$
"symmetric-include-edge"	Rellenar utilizando valores reflejados de la entrada, incluidos los valores de los bordes.	$$\left[\begin{array}{ccc}3& 1& 4\end{array}\right]\to \left[\begin{array}{ccccccc}1& 3& 3& 1& 4& 4& 1\end{array}\right]$$
"symmetric-exclude-edge"	Rellenar utilizando valores reflejados de la entrada, excluyendo los valores de los bordes.	$$\left[\begin{array}{ccc}3& 1& 4\end{array}\right]\to \left[\begin{array}{ccccccc}4& 1& 3& 1& 4& 1& 3\end{array}\right]$$
"replicate"	Rellenar utilizando los elementos de borde repetidos de la entrada.	$$\left[\begin{array}{ccc}3& 1& 4\end{array}\right]\to \left[\begin{array}{ccccccc}3& 3& 3& 1& 4& 4& 4\end{array}\right]$$

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | char | string

NumChannels — Número de canales de entrada

"auto" (predeterminado) | entero positivo

Número de canales de entrada, especificado como una de las siguientes opciones:

• "auto": determina automáticamente el número de canales de entrada durante el entrenamiento.

• Entero positivo: configura la capa para el número especificado de canales de entrada. NumChannels debe coincidir con el número de canales de los datos de entrada de la capa. Por ejemplo, si la entrada es una imagen RGB, entonces NumChannels debe ser 3. Si la entrada es la salida de una capa convolucional con 16 filtros, entonces NumChannels debe ser 16.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | char | string

WeightsInitializer — Función para inicializar pesos

"glorot" (predeterminado) | "he" | "narrow-normal" | "zeros" | "ones" | identificador de función

Función para inicializar los pesos, especificada como una de las siguientes opciones:

• "glorot": inicializa los pesos con el inicializador Glorot [1] (también denominado inicializador Xavier). El inicializador Glorot muestrea de forma independiente a partir de una distribución uniforme con media cero y varianza 2/(numIn + numOut), donde numIn = FilterSize*NumChannels y numOut = FilterSize*NumFilters.

• "he": inicializa los pesos con el inicializador He [2]. El inicializador He muestrea a partir de una distribución normal con media cero y varianza 2/numIn, donde numIn = FilterSize*NumChannels.

• "narrow-normal": inicializa los pesos muestreando de forma independiente a partir de una distribución normal con media cero y desviación estándar de 0.01.

• "zeros": inicializa los pesos con ceros.

• "ones": inicializa los pesos con unos.

• Identificador de función: inicializa los pesos con una función personalizada. Si especifica un identificador de función, la función debe tener la forma weights = func(sz), donde sz es el tamaño de los pesos. Para ver un ejemplo, consulte Specify Custom Weight Initialization Function.

La capa inicializa los pesos solo cuando la propiedad Weights está vacía.

Tipos de datos: char | string | function_handle

BiasInitializer — Función para inicializar sesgos

"zeros" (predeterminado) | "narrow-normal" | "ones" | identificador de función

Función para inicializar sesgos, especificada como uno de estos valores:

• "zeros": inicializa los sesgos con ceros.

• "ones": inicializa los sesgos con unos.

• "narrow-normal": inicializa los sesgos muestreando de forma independiente a partir de una distribución normal con media cero y desviación estándar de 0.01.

• Identificador de función: inicializa los sesgos con una función personalizada. Si especifica un identificador de función, la función debe tener la forma bias = func(sz), donde sz es el tamaño de los sesgos.

La capa inicializa los sesgos solo cuando la propiedad Bias está vacía.

Tipos de datos: char | string | function_handle

Weights — Pesos de capa

[] (predeterminado) | Arreglo numérico

Pesos de capa para la operación de convolución traspuesta, especificados como un arreglo numérico de FilterSize por NumChannels por numFilters o [].

Los pesos de las capas son parámetros que se pueden aprender. Puede especificar el valor inicial de los pesos usando directamente la propiedad Weights de la capa. Cuando entrena una red, si la propiedad Weights de la capa no está vacía, las funciones trainnet y trainNetwork usan la propiedad Weights como valor inicial. Si la propiedad Weights está vacía, el software usa el inicializador especificado por la propiedad WeightsInitializer de la capa.

Tipos de datos: single | double

Bias — Sesgos de capa

[] (predeterminado) | Arreglo numérico

Sesgos de capa para la operación de convolución traspuesta, especificados como un arreglo numérico de 1 por NumFilters o [].

Los sesgos de capa de capa son parámetros que se pueden aprender. Cuando entrena una red neuronal, si Bias no está vacío, las funciones trainnet y trainNetwork usan la propiedad Bias como valor inicial. Si Bias está vacío, el software usa el inicializador especificado por BiasInitializer.

Tipos de datos: single | double

WeightLearnRateFactor — Factor de la tasa de aprendizaje de los pesos

1 (predeterminado) | Escalar no negativo

Factor de la tasa de aprendizaje de los pesos, especificado como un escalar no negativo.

El software multiplica este factor por la tasa de aprendizaje global para determinar la tasa de aprendizaje de los pesos de esta capa. Por ejemplo, si WeightLearnRateFactor es 2, la tasa de aprendizaje de los pesos de esta capa es dos veces la tasa de aprendizaje global actual. El software determina la tasa de aprendizaje global según la configuración que especifique usando la función trainingOptions.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

BiasLearnRateFactor — Factor de la tasa de aprendizaje de los sesgos

1 (predeterminado) | Escalar no negativo

Factor de la tasa de aprendizaje de los sesgos, especificado como un escalar no negativo.

El software multiplica este factor por la tasa de aprendizaje global para determinar la tasa de aprendizaje de los sesgos de esta capa. Por ejemplo, si BiasLearnRateFactor es 2, la tasa de aprendizaje de los sesgos de esta capa es dos veces la tasa de aprendizaje global actual. El software determina la tasa de aprendizaje global según la configuración que especifique usando la función trainingOptions.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

WeightL2Factor — Factor de regularización L₂ de los pesos

1 (predeterminado) | Escalar no negativo

Factor de regularización L₂ de los pesos, especificado como un escalar no negativo.

El software multiplica este factor por el factor de regularización global L₂ para determinar la regularización L₂ de los pesos de esta capa. Por ejemplo, si WeightL2Factor es 2, la regularización L₂ de los pesos de esta capa es dos veces el factor de regularización global L₂. Puede especificar el factor de regularización global L₂ usando la función trainingOptions.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

BiasL2Factor — Factor de regularización L₂ de los sesgos

0 (predeterminado) | Escalar no negativo

Factor de regularización L₂ de los sesgos, especificado como un escalar no negativo.

El software multiplica este factor por el factor de regularización global L₂ para determinar la regularización L₂ de los sesgos de esta capa. Por ejemplo, si BiasL2Factor es 2, la regularización L₂ de los sesgos de esta capa es dos veces el factor de regularización global L₂. El software determina el factor de regularización global L₂ según la configuración que especifique usando la función trainingOptions.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

Name — Nombre de la capa

"" (predeterminado) | vector de caracteres | escalar de cadena

Nombre de la capa, especificado como un vector de caracteres o un escalar de cadena. Para entradas en forma de arreglo Layer, las funciones trainnet y dlnetwork asignan automáticamente nombres a las capas con el nombre "".

El objeto Convolution1DLayer almacena la propiedad Name como un vector de caracteres.

Tipos de datos: char | string

Propiedades

Convolución

FilterSize — Anchura de los filtros

Solo lectura: entero positivo

Esta propiedad o parámetro es de solo lectura.

Anchura de los filtros, especificada como entero positivo.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

NumFilters — Número de filtros

Solo lectura: entero positivo

Esta propiedad o parámetro es de solo lectura.

Número de filtros, especificado como entero positivo. Este número corresponde al número de neuronas de la capa que se conectan a la misma región de la entrada. Este parámetro determina el número de canales (mapas de características) de la salida de la capa.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

Stride — Tamaño de paso para recorrer la entrada

1 (predeterminado) | entero positivo

Tamaño de paso para recorrer la entrada, especificado como entero positivo.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

DilationFactor — Factor de convolución dilatada

1 (predeterminado) | entero positivo

Factor de convolución dilatada (también conocida como convolución atrous), especificado como entero positivo.

Utilice convoluciones dilatadas para aumentar el campo receptivo de la capa (el área de la entrada que la capa puede ver) sin aumentar la cantidad de parámetros o cálculos.

La capa expande los filtros insertando ceros entre cada elemento de filtro. El factor de dilatación determina el tamaño del paso para muestrear la entrada o, de forma equivalente, el factor de sobremuestreo del filtro. Corresponde a un tamaño de filtro efectivo de (FilterSize – 1) .* DilationFactor + 1. Por ejemplo, un filtro de 1 por 3 con un factor de dilatación de 2 equivale a un filtro de 1 por 5 con ceros entre los elementos.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

PaddingSize — Tamaño del relleno

[0 0] (predeterminado) | vector de dos enteros no negativos

Tamaño del relleno que se aplicará a cada lado de la entrada, especificado como un vector [l r] de dos enteros no negativos, donde l es el relleno aplicado a la izquierda y r es el relleno aplicado a la derecha.

Cuando cree una capa, utilice el argumento nombre-valor Padding para especificar el tamaño del relleno.

Tipos de datos: double

PaddingMode — Método para determinar el tamaño del relleno

Solo lectura: 'manual' (predeterminado) | 'same' | 'causal'

Esta propiedad o parámetro es de solo lectura.

Método para determinar el tamaño del relleno, especificado como una de las siguientes opciones:

• 'manual': rellena utilizando el entero o vector especificado por Padding.

• 'same': aplica relleno de tal manera que el tamaño de salida sea ceil(inputSize/Stride), donde inputSize es la longitud de la entrada. Cuando Stride es 1, la salida es igual que la entrada.

• 'causal': aplica relleno causal. Rellena la izquierda de la entrada con tamaño de relleno (FilterSize - 1) .* DilationFactor.

Para especificar el relleno de capa, utilice el argumento de nombre-valor Padding.

Tipos de datos: char

PaddingValue — Valor para rellenar datos

Solo lectura: 0 (predeterminado) | escalar | "symmetric-include-edge" | "symmetric-exclude-edge" | "replicate"

Esta propiedad o parámetro es de solo lectura.

Valor para rellenar datos, especificado como uno de los siguientes:

PaddingValue	Descripción	Ejemplo
Escalar	Rellenar con el valor escalar especificado.	$$\left[\begin{array}{ccc}3& 1& 4\end{array}\right]\to \left[\begin{array}{ccccccc}0& 0& 3& 1& 4& 0& 0\end{array}\right]$$
"symmetric-include-edge"	Rellenar utilizando valores reflejados de la entrada, incluidos los valores de los bordes.	$$\left[\begin{array}{ccc}3& 1& 4\end{array}\right]\to \left[\begin{array}{ccccccc}1& 3& 3& 1& 4& 4& 1\end{array}\right]$$
"symmetric-exclude-edge"	Rellenar utilizando valores reflejados de la entrada, excluyendo los valores de los bordes.	$$\left[\begin{array}{ccc}3& 1& 4\end{array}\right]\to \left[\begin{array}{ccccccc}4& 1& 3& 1& 4& 1& 3\end{array}\right]$$
"replicate"	Rellenar utilizando los elementos de borde repetidos de la entrada.	$$\left[\begin{array}{ccc}3& 1& 4\end{array}\right]\to \left[\begin{array}{ccccccc}3& 3& 3& 1& 4& 4& 4\end{array}\right]$$

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | char | string

NumChannels — Número de canales de entrada

Solo lectura: "auto" (predeterminado) | entero positivo

Esta propiedad o parámetro es de solo lectura.

Número de canales de entrada, especificado como una de las siguientes opciones:

• "auto": determina automáticamente el número de canales de entrada durante el entrenamiento.

• Entero positivo: configura la capa para el número especificado de canales de entrada. NumChannels debe coincidir con el número de canales de los datos de entrada de la capa. Por ejemplo, si la entrada es una imagen RGB, entonces NumChannels debe ser 3. Si la entrada es la salida de una capa convolucional con 16 filtros, entonces NumChannels debe ser 16.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | char | string

Parámetros e inicialización

WeightsInitializer — Función para inicializar pesos

"glorot" (predeterminado) | "he" | "narrow-normal" | "zeros" | "ones" | identificador de función

Función para inicializar los pesos, especificada como una de las siguientes opciones:

• "glorot": inicializa los pesos con el inicializador Glorot [1] (también denominado inicializador Xavier). El inicializador Glorot muestrea de forma independiente a partir de una distribución uniforme con media cero y varianza 2/(numIn + numOut), donde numIn = FilterSize*NumChannels y numOut = FilterSize*NumFilters.

• "he": inicializa los pesos con el inicializador He [2]. El inicializador He muestrea a partir de una distribución normal con media cero y varianza 2/numIn, donde numIn = FilterSize*NumChannels.

• "narrow-normal": inicializa los pesos muestreando de forma independiente a partir de una distribución normal con media cero y desviación estándar de 0.01.

• "zeros": inicializa los pesos con ceros.

• "ones": inicializa los pesos con unos.

• Identificador de función: inicializa los pesos con una función personalizada. Si especifica un identificador de función, la función debe tener la forma weights = func(sz), donde sz es el tamaño de los pesos. Para ver un ejemplo, consulte Specify Custom Weight Initialization Function.

La capa inicializa los pesos solo cuando la propiedad Weights está vacía.

Tipos de datos: char | string | function_handle

BiasInitializer — Función para inicializar sesgos

"zeros" (predeterminado) | "narrow-normal" | "ones" | identificador de función

Función para inicializar sesgos, especificada como uno de estos valores:

• "zeros": inicializa los sesgos con ceros.

• "ones": inicializa los sesgos con unos.

• "narrow-normal": inicializa los sesgos muestreando de forma independiente a partir de una distribución normal con media cero y desviación estándar de 0.01.

• Identificador de función: inicializa los sesgos con una función personalizada. Si especifica un identificador de función, la función debe tener la forma bias = func(sz), donde sz es el tamaño de los sesgos.

La capa inicializa los sesgos solo cuando la propiedad Bias está vacía.

El objeto Convolution1DLayer almacena esta propiedad como un vector de caracteres o un identificador de función.

Tipos de datos: char | string | function_handle

Weights — Pesos de capa

[] (predeterminado) | Arreglo numérico

Pesos de capa para la operación de convolución traspuesta, especificados como un arreglo numérico de FilterSize por NumChannels por numFilters o [].

Los pesos de las capas son parámetros que se pueden aprender. Puede especificar el valor inicial de los pesos usando directamente la propiedad Weights de la capa. Cuando entrena una red, si la propiedad Weights de la capa no está vacía, la función trainnet usa la propiedad Weights como valor inicial. Si la propiedad Weights está vacía, el software usa el inicializador especificado por la propiedad WeightsInitializer de la capa.

Tipos de datos: single | double

Bias — Sesgos de capa

[] (predeterminado) | Arreglo numérico

Sesgos de capa para la operación de convolución traspuesta, especificados como un arreglo numérico de 1 por NumFilters o [].

Los sesgos de capa de capa son parámetros que se pueden aprender. Cuando entrena una red neuronal, si la propiedad Bias no está vacía, la función trainnet usa la propiedad Bias como valor inicial. Si Bias está vacío, el software usa el inicializador especificado por BiasInitializer.

Tipos de datos: single | double

Tasa de aprendizaje y regularización

WeightLearnRateFactor — Factor de la tasa de aprendizaje de los pesos

1 (predeterminado) | Escalar no negativo

Factor de la tasa de aprendizaje de los pesos, especificado como un escalar no negativo.

El software multiplica este factor por la tasa de aprendizaje global para determinar la tasa de aprendizaje de los pesos de esta capa. Por ejemplo, si WeightLearnRateFactor es 2, la tasa de aprendizaje de los pesos de esta capa es dos veces la tasa de aprendizaje global actual. El software determina la tasa de aprendizaje global según la configuración que especifique usando la función trainingOptions.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

BiasLearnRateFactor — Factor de la tasa de aprendizaje de los sesgos

1 (predeterminado) | Escalar no negativo

Factor de la tasa de aprendizaje de los sesgos, especificado como un escalar no negativo.

El software multiplica este factor por la tasa de aprendizaje global para determinar la tasa de aprendizaje de los sesgos de esta capa. Por ejemplo, si BiasLearnRateFactor es 2, la tasa de aprendizaje de los sesgos de esta capa es dos veces la tasa de aprendizaje global actual. El software determina la tasa de aprendizaje global según la configuración que especifique usando la función trainingOptions.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

WeightL2Factor — Factor de regularización L₂ de los pesos

1 (predeterminado) | Escalar no negativo

Factor de regularización L₂ de los pesos, especificado como un escalar no negativo.

El software multiplica este factor por el factor de regularización global L₂ para determinar la regularización L₂ de los pesos de esta capa. Por ejemplo, si WeightL2Factor es 2, la regularización L₂ de los pesos de esta capa es dos veces el factor de regularización global L₂. Puede especificar el factor de regularización global L₂ usando la función trainingOptions.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

BiasL2Factor — Factor de regularización L₂ de los sesgos

0 (predeterminado) | Escalar no negativo

Factor de regularización L₂ de los sesgos, especificado como un escalar no negativo.

El software multiplica este factor por el factor de regularización global L₂ para determinar la regularización L₂ de los sesgos de esta capa. Por ejemplo, si BiasL2Factor es 2, la regularización L₂ de los sesgos de esta capa es dos veces el factor de regularización global L₂. El software determina el factor de regularización global L₂ según la configuración que especifique usando la función trainingOptions.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

Capa

Name — Nombre de la capa

"" (predeterminado) | vector de caracteres | escalar de cadena

Nombre de la capa, especificado como vector de caracteres o escalar de cadena. Para entradas en forma de arreglo Layer, las funciones trainnet y dlnetwork asignan automáticamente nombres a las capas con el nombre "".

El objeto Convolution1DLayer almacena esta propiedad como un vector de caracteres.

Tipos de datos: char | string

NumInputs — Número de entradas

Solo lectura: 1 (predeterminado)

Esta propiedad o parámetro es de solo lectura.

Número de entradas a la capa, devuelto como 1. Esta capa solo admite una entrada.

Tipos de datos: double

InputNames — Nombres de las entradas

Solo lectura: {'in'} (predeterminado)

Esta propiedad o parámetro es de solo lectura.

Nombres de entrada, devueltos como {'in'}. Esta capa solo admite una entrada.

Tipos de datos: cell

NumOutputs — Número de salidas

Solo lectura: 1 (predeterminado)

Esta propiedad o parámetro es de solo lectura.

Número de salidas de la capa, devuelto como 1. Esta capa solo tiene una salida.

Tipos de datos: double

OutputNames — Nombres de salida

Solo lectura: {'out'} (predeterminado)

Esta propiedad o parámetro es de solo lectura.

Nombres de salida, devueltos como {'out'}. Esta capa solo tiene una salida.

Tipos de datos: cell

Ejemplos

Crear una capa convolucional 1D

Cree una capa convolucional 1D con 96 filtros de ancho 11.

layer = convolution1dLayer(11,96);

Incluya una capa convolucional 1D en un arreglo Layer.

layers = [
    sequenceInputLayer(3,MinLength=20)
    layer
    reluLayer
    globalMaxPooling1dLayer
    fullyConnectedLayer(10)
    softmaxLayer]

layers = 
  6x1 Layer array with layers:

     1   ''   Sequence Input           Sequence input with 3 dimensions
     2   ''   1-D Convolution          96 11 convolutions with stride 1 and padding [0  0]
     3   ''   ReLU                     ReLU
     4   ''   1-D Global Max Pooling   1-D global max pooling
     5   ''   Fully Connected          10 fully connected layer
     6   ''   Softmax                  softmax

Algoritmos

Capa convolucional 1D

Una capa convolucional 1D aplica filtros convolucionales deslizantes a la entrada 1D. La capa convoluciona la entrada moviendo los filtros a lo largo de la entrada y calculando el producto de puntos de los pesos y la entrada, para después añadir un término de sesgo.

La dimensión en la que convoluciona la capa depende de la entrada de la capa:

• Para entradas de series de tiempo y secuencias de vectores (datos con tres dimensiones correspondientes a los canales, observaciones y pasos de tiempo), la capa convoluciona en la dimensión de tiempo.

• Para la entrada de imagen 1D (datos con tres dimensiones correspondientes a los píxeles espaciales, canales y observaciones), la capa convoluciona en la dimensión espacial.

• Para entradas de secuencias de imágenes 1D (datos con cuatro dimensiones correspondientes a los píxeles espaciales, canales, observaciones y unidades de tiempo), la capa convoluciona en la dimensión espacial.

Formatos de entrada y salida de capa

Las capas en un arreglo de capas o en una gráfica de capas pasan datos a las capas posteriores como objetos dlarray con formato. El formato de un objeto dlarray es una cadena de caracteres, en la que cada carácter describe la dimensión correspondiente de los datos. Los formatos constan de uno o más de estos caracteres:

• "S": espacial

• "C": canal

• "B": lote

• "T": tiempo

• "U": sin especificar

Por ejemplo, puede representar datos de secuencia de vector como un arreglo 3D, en el cual la primera dimensión se corresponde con la dimensión del canal, la segunda dimensión con la del lote y la tercera con la del tiempo. Esta representación está en formato "CBT" (canal, lote, tiempo).

Puede interactuar con estos objetos dlarray en flujos de trabajo de diferenciación automática, como aquellos para desarrollar una capa personalizada, usar un objeto functionLayer o usar las funciones forward y predict con objetos dlnetwork.

En esta tabla se muestran los formatos de entrada admitidos de objetos Convolution1DLayer y el formato de salida correspondiente. Si el software pasa la salida de la capa a una capa personalizada que no hereda de la clase nnet.layer.Formattable o a un objeto FunctionLayer con la propiedad Formattable establecida en 0 (false), la capa recibe un objeto dlarray sin formato con dimensiones ordenadas según los formatos de esta tabla. Los formatos incluidos en esta lista son únicamente un subconjunto. La capa puede ser compatible con formatos adicionales, como aquellos con dimensiones adicionales "S" (espacial) o "U" (sin especificar).

Formato de entrada	Formato de salida
"SCB" (espacial, canal, lote)	"SCB" (espacial, canal, lote)
"CBT" (canal, lote, tiempo)	"CBT" (canal, lote, tiempo)
"SCBT" (espacial, canal, lote, tiempo)	"SCBT" (espacial, canal, lote, tiempo)

En objetos dlnetwork, los objetos Convolution1DLayer también admiten estas combinaciones de formato de entrada y salida.

Formato de entrada	Formato de salida
"SC" (espacial, canal)	"SC" (espacial, canal)
"CT" (canal, tiempo)	"CT" (canal, tiempo)
"SCT" (espacial, canal, tiempo)	"SCT" (espacial, canal, tiempo)

Referencias

[1] Glorot, Xavier, and Yoshua Bengio. "Understanding the Difficulty of Training Deep Feedforward Neural Networks." In Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, 249–356. Sardinia, Italy: AISTATS, 2010. https://proceedings.mlr.press/v9/glorot10a/glorot10a.pdf

[2] He, Kaiming, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. "Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification." In 2015 IEEE International Conference on Computer Vision (ICCV), 1026–34. Santiago, Chile: IEEE, 2015. https://doi.org/10.1109/ICCV.2015.123

Capacidades ampliadas

Generación de código C/C++

Genere código C y C++ mediante MATLAB® Coder™.

Notas y limitaciones de uso:

• Puede generar código C/C++ genérico que no dependa de bibliotecas de terceros y desplegar el código generado en plataformas de hardware.

Generación de código de GPU

Genere código CUDA® para GPU NVIDIA® mediante GPU Coder™.

Notas y limitaciones de uso:

• Puede generar código CUDA que es independiente de las bibliotecas de deep learning y desplegar el código generado en plataformas que usen procesadores de GPU NVIDIA^®.

Historial de versiones

Introducido en R2021b

Consulte también

trainnet | trainingOptions | dlnetwork | sequenceInputLayer | lstmLayer | bilstmLayer | gruLayer | maxPooling1dLayer | averagePooling1dLayer | globalMaxPooling1dLayer | globalAveragePooling1dLayer | transposedConv1dLayer | exportNetworkToSimulink | Convolution 1D Layer

Temas

• Clasificación de secuencias mediante convoluciones 1D
• Sequence-to-Sequence Classification Using 1-D Convolutions
• Clasificación de secuencias mediante deep learning
• Clasificación secuencia a secuencia mediante deep learning
• Regresión de secuencia a secuencia mediante deep learning
• Pronóstico de series de tiempo mediante deep learning
• Redes neuronales de memoria de corto-largo plazo
• Lista de capas de deep learning
• Trucos y consejos de deep learning