ConvolutionLayer

ConvolutionLayer[n,s]

表示可训练的卷积层，具有 n 个输出通道并使用大小为 s 的核计算卷积.

ConvolutionLayer[n,{s}]

表示一个网络层，用大小为 s 的核进行一维卷积计算.

ConvolutionLayer[n,{h,w}]

表示使用大小为 h×w 的核进行二维卷积计算的网络层.

ConvolutionLayer[n,{h,w,d}]

表示核大小为 h×w×d 的二维卷积.

ConvolutionLayer[n,kernel,opts]

包括填充和其他参数的选项.

更多信息和选项

  • ConvolutionLayer[n,…] 表示一个网络层，应用于有 m 个输入通道和一个或更多空间维度的输入数组，在空间维度上进行 n×m 个不同的卷积计算，产生有 n 个通道的输出数组.
  • ConvolutionLayer[…][input] 把层应用到 input 显式计算输出.
  • ConvolutionLayer[…][{input1,input2,…}] 显式计算每个 inputi 的输出.
  • 在 ConvolutionLayer[n,s] 中，当卷积层在 NetChain、NetGraph 等中相连的情况下，将会由推导得出卷积层的维数.
  • 可以包括以下可选参数：
  • "Biases"Automatic核偏差 (bias) 的初始向量
    "ChannelGroups" 1通道组的数量
    "Dilation" 1扩张因子
    "Dimensionality"Automatic卷积层空间维度的个数
    Interleaving False通道维度的位置
    LearningRateMultipliersAutomatic内核权重和/或偏差的学习率乘数
    PaddingSize 0应用到输入的零填充的数量
    "Stride" 1使用的卷积步长
    "Weights"Automatic核权重的初始数组
  • PaddingSize 的设置可以为以下形式：
  • n在每个维度的开头和结尾用 n 个零进行填充
    {n1,n2,…}在第 i 个维度的开头和结尾用 n 个零进行填充
    {{n1,m1},{n2,m2},…}在第 i 个维度的开头用 ni 个零进行填充，在结尾用 mi 个零进行填充
    "Same"填充每个维度，使输出大小等于输入大小除以步幅（向上取整）
  • "Dilation" 和 "Stride" 的设置可以为以下形式：
  • n对所有维度都使用值 n
    {…,ni,…}对第 i 个维度使用值 ni
  • 通过设置 "ChannelGroups"g，将 m 个输入通道和 n 个输出通道分别划分为 g 个由 m/g 个和 n/g 个通道形成的组，其中 m 和 n 要能被 g 整除. 分别执行连接第 i 组输入通道和第 i 组输出通道的卷积，并在结果中将结果顺连起来. 每个输入/输出通道组合由 n/g×m/g 卷积相连，所以设置 "ChannelGroups"g 有效地将不同卷积的数量从 n×m 减少到 n×m/g.
  • 设置 "Biases"None 指定不应使用偏差.
  • 当设置为 InterleavingFalse，通道维数被作为输入和输出数组的第一个维度.
  • 当设置为 InterleavingTrue，通道维数被作为输入和输出数组的最后一个维度.
  • 如果加上权重和偏差， ConvolutionLayer[…][input] 会根据对网络层的应用明确计算输出.
  • ConvolutionLayer[…][{input1,input2,…}] 对每个 inputi 明确计算输出.
  • NetExtract 可用来从 ConvolutionLayer 对象提取权重和偏差.
  • ConvolutionLayer 常被用在 NetChain、NetGraph 等函数中.
  • ConvolutionLayer 开放下列端口以便在 NetGraph 等中使用：
  • "Input"2、3 或 4 阶的数组
    "Output"2、3 或 4 阶的数组
  • ConvolutionLayer 可对含有 "Varying" 维度的数组进行运算.
  • 在较大的网络中，当不能从其他层推断出时，可利用选项 ConvolutionLayer[…][input] 来确定 ConvolutionLayer 的输入维度.
  • 给定维度为 d1×…×di×… 的输入数组，则会得到维度为 ×…××… 的输出数组，其中通道维度 =n，按照 来转换得到 di 的大小，其中 / 是 axis 的开头/结尾处的填充的大小， 是核的大小， 是步长， 是每个维度的膨胀因子.
  • Options[ConvolutionLayer] 给出构造层的默认选项列表. Options[ConvolutionLayer[…]] 提供用于在某些数据上运算网络层的默认选项列表.
  • Information[ConvolutionLayer[…]] 提供有关该层的报告.
  • Information[ConvolutionLayer[…],prop] 给出 ConvolutionLayer[…]的属性 prop 的值. 可能的属性与 NetGraph 相同.

范例

打开所有单元关闭所有单元

基本范例  (2)

创建一个有 2 个输出通道和核的大小为 4 的一维 ConvolutionLayer：

创建并初始化一维 ConvolutionLayer：

对输入矩阵应用该层：

范围  (11)

端口  (3)

创建初始化的二维 ConvolutionLayer；

将层应用于输入数组：

输出也是三阶数组：

创建一个初始化的三维 ConvolutionLayer，其中内核大小为 2：

把该层应用到输入数组：

创建初始化的二维 ConvolutionLayer，接受一个 RGB 图像，然后返回一个 RGB 图像：

将层应用于图像：

ConvolutionLayer 自动线性作用于成批的输入：

参数  (7)

"Biases"  (3)

创建无偏差的二维 ConvolutionLayer；

创建具有单位内核的一维 ConvolutionLayer，将偏差应用于仅有的通道：

将层应用于输入：

创建具有单位内核的二维 ConvolutionLayer，将偏差应用于每个通道：

对图像应用该层：

"Weights"  (4)

创建一维 ConvolutionLayer，其核可对输入数组中的数据对进行平均处理：

将层应用于输入：

创建一个具有三个输入通道和一个输出通道的二维 ConvolutionLayer，并应用高斯模糊：

对图像应用该层：

创建一个由每个通道高斯核组成的二维 ConvolutionLayer. 首先创建核：

可视化内核：

使用内核初始化网络：

对图像应用该层：

创建一个具有随机内核的二维 ConvolutionLayer：

对图像应用该层：

选项  (12)

"ChannelGroups"  (2)

创建具有三个通道组的二维 ConvolutionLayer：

使用通道组将卷积权重的数量减少了等于组数的因子. 检查权重的维数：

与具有一个通道组的类似层的权重维数进行比较：

"Dilation"  (2)

给定维度上大小为 n 的膨胀因子实际上是对输入数组中相距为 n 的元素应用核：

创建膨胀因子为 2 的一维 ConvolutionLayer；

对输入应用该层：

创建膨胀因子为 5 的随机二维 ConvolutionLayer；

对图像应用膨胀卷积层：

Interleaving  (1)

创建一个 ConvolutionLayer，其中 InterleavingFalse 并有一个输入通道：

创建一个 ConvolutionLayer，其中 InterleavingTrue 并有一个输入通道：

PaddingSize  (4)

创建一维 ConvolutionLayer，将邻接元素平均，并用 4 个零在各个边上填充：

将层应用于输入：

创建一个随机二维 ConvolutionLayer，用 10 个零对第一个维度的两侧进行填充，用 25 个零对第二个维度的两侧进行填充：

创建一个随机二维 ConvolutionLayer，用 10 个零对第一个维度的开头进行填充，用 20 个零对结尾进行填充：

利用填充使得输出维度等于输出维度：

这样就可以定义含有任意数量的卷积层的深层网络，同时，输出的高度和宽度不必趋向于 1.

"Stride"  (3)

给定维度上大小为 n 的步长实际上是控制核在输入数组上移动的步长以产生输出数组.

创建一维 ConvolutionLayer，内核接受邻接数对的平均：

将层应用于输入：

步长为 2，对不重叠的数据对应用核：

步长为 4，每隔一个数据对应用核：

创建具有不对称步幅的随机二维 ConvolutionLayer：

对图像应用该层：

使用较大的步长以减小输出的维度：

增大步长还可以减少计算时间：

属性和关系  (2)

给定输入的大小和参数，可以利用下列函数计算非通道维度 (non-channel) 的大小：

输入的大小为 {256,252}、核的大小为 {2,3}、步长为 2、膨胀因子为 {3,4}、填充数量为 {1,2}，计算输出的大小：

ConvolutionLayer 可用来计算二维卷积：

在逆转核以后，等价于 ListConvolve：

可能存在的问题  (3)

ConvolutionLayer 已知其输入和输出的尺寸之前无法初始化：

ConvolutionLayer 不能接受符号输入：

核的尺寸不能大于输入维度：

Wolfram Research (2016)，ConvolutionLayer，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ConvolutionLayer.html （更新于 2021 年）.

文本

Wolfram Research (2016)，ConvolutionLayer，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ConvolutionLayer.html （更新于 2021 年）.

CMS

Wolfram 语言. 2016. "ConvolutionLayer." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2021. https://reference.wolfram.com/language/ref/ConvolutionLayer.html.

APA

Wolfram 语言. (2016). ConvolutionLayer. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/ConvolutionLayer.html 年

BibTeX

@misc{reference.wolfram_2024_convolutionlayer, author="Wolfram Research", title="{ConvolutionLayer}", year="2021", howpublished="\url{https://reference.wolfram.com/language/ref/ConvolutionLayer.html}", note=[Accessed: 17-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_convolutionlayer, organization={Wolfram Research}, title={ConvolutionLayer}, year={2021}, url={https://reference.wolfram.com/language/ref/ConvolutionLayer.html}, note=[Accessed: 17-November-2024 ]}