Main Content

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.

Layer

Capa de red para deep learning

Descripción

Capas que definen la arquitectura de las redes neuronales de deep learning.

Creación

Para ver una lista de las capas de deep learning de MATLAB®, consulte Lista de capas de deep learning. Para especificar la arquitectura de una red neuronal con todas las capas conectadas de forma secuencial, cree directamente un arreglo de capas. Para especificar la arquitectura de una red en la que las capas puedan tener varias entradas o salidas, use un objeto dlnetwork.

De manera alternativa, puede importar capas de Caffe, Keras y ONNX usando importCaffeLayers, importKerasLayers y importONNXLayers, respectivamente.

Para aprender a crear sus propias capas personalizadas, consulte Definir capas de deep learning personalizadas.

Ejemplos

contraer todo

Defina una arquitectura de red neuronal convolucional para la clasificación con una capa convolucional, una capa ReLU y una capa totalmente conectada.

layers = [ ...
    imageInputLayer([28 28 3])
    convolution2dLayer([5 5],10)
    reluLayer
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer]
layers = 
  6x1 Layer array with layers:

     1   ''   Image Input             28x28x3 images with 'zerocenter' normalization
     2   ''   2-D Convolution         10 5x5 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 es un objeto Layer.

De manera alternativa, puede crear las capas individualmente y, después, concatenarlas.

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 = 
  6x1 Layer array with layers:

     1   ''   Image Input             28x28x3 images with 'zerocenter' normalization
     2   ''   2-D Convolution         10 5x5 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

Defina una arquitectura de red neuronal convolucional para la clasificación con una capa convolucional, una capa ReLU y una capa totalmente conectada.

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

Muestre la capa de entrada de imagen seleccionando la primera capa.

layers(1)
ans = 
  ImageInputLayer with properties:

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

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

Vea el tamaño de entrada de la capa de entrada de imagen.

layers(1).InputSize
ans = 1×3

    28    28     3

Muestre el tramo de la capa convolucional.

layers(2).Stride
ans = 1×2

     1     1

Acceda al factor de tasa de aprendizaje de sesgos de la capa totalmente conectada.

layers(4).BiasLearnRateFactor
ans = 1

Historial de versiones

Introducido en R2016a