このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。
initialize
説明
ヒント
ほとんどの dlnetwork オブジェクトは、既定で初期化されています。初期化されていない場合にのみ、dlnetwork を手動で初期化する必要があります。ネットワークが初期化されているかどうかを確認するには、dlnetwork オブジェクトの Initialized プロパティを使用します。
netUpdated = initialize(net)net の未設定の学習可能なパラメーターと状態値を初期化します。値が既に格納されている学習可能なパラメーターと状態パラメーターは変更されません。
未設定で空の値が含まれている学習可能なパラメーターと状態パラメーターをもつネットワークは "初期化されていません"。未初期化の dlnetwork を使用するには、これを事前に初期化しなければなりません。dlnetwork オブジェクトは、既定で初期パラメーターを使用して構築されるため、初期化が必要ありません。
netUpdated = initialize(net,X1,...,XN)X1,...,XN に基づいて、net の未設定の学習可能なパラメーターと状態値を初期化します。入力層に接続されていない入力がネットワークに存在する場合、この構文を使用します。
例
シンプルなイメージ分類ネットワークを層配列として定義します。
layers = [
imageInputLayer([28 28 1],Normalization="none")
convolution2dLayer(5,20)
batchNormalizationLayer
reluLayer
fullyConnectedLayer(10)
softmaxLayer];層グラフを dlnetwork オブジェクトに変換します。Initialize オプションを false に設定して、未初期化の dlnetwork オブジェクトを作成します。
net = dlnetwork(layers,Initialize=false);
ネットワークの学習可能なパラメーターを表示します。ネットワークが初期化されていないため、値は空になっています。
net.Learnables
ans=6×3 table
Layer Parameter Value
___________ _________ ____________
"conv" "Weights" {0×0 double}
"conv" "Bias" {0×0 double}
"batchnorm" "Offset" {0×0 double}
"batchnorm" "Scale" {0×0 double}
"fc" "Weights" {0×0 double}
"fc" "Bias" {0×0 double}
関数 initialize を使用して、ネットワークの学習可能なパラメーターを初期化します。
net = initialize(net);
ネットワークの学習可能なパラメーターを表示します。ネットワークが初期化されたため、値は空でなく、入力層のサイズを使用して推定されたサイズになっています。
net.Learnables
ans=6×3 table
Layer Parameter Value
___________ _________ ___________________
"conv" "Weights" { 5×5×1×20 dlarray}
"conv" "Bias" { 1×1×20 dlarray}
"batchnorm" "Offset" { 1×1×20 dlarray}
"batchnorm" "Scale" { 1×1×20 dlarray}
"fc" "Weights" {10×11520 dlarray}
"fc" "Bias" {10×1 dlarray}
多入力のイメージ分類ネットワークを定義します。
numFilters = 24;
net = dlnetwork;
layersBranch1 = [
convolution2dLayer(3,6*numFilters,Padding="same",Stride=2)
groupNormalizationLayer("all-channels")
reluLayer
convolution2dLayer(3,numFilters,Padding="same")
groupNormalizationLayer("channel-wise")
additionLayer(2,Name="add")
reluLayer
fullyConnectedLayer(10)
softmaxLayer];
layersBranch2 = [
convolution2dLayer(1,numFilters,Name="conv_branch")
groupNormalizationLayer("all-channels",Name="groupnorm_branch")];
net = addLayers(net, layersBranch1);
net = addLayers(net,layersBranch2);
net = connectLayers(net,"groupnorm_branch","add/in2"); 層をプロットで可視化します。
figure plot(net)
ネットワークの学習可能なパラメーターを表示します。ネットワークが初期化されていないため、値は空になっています。
net.Learnables
ans=14×3 table
Layer Parameter Value
__________________ _________ ____________
"conv_1" "Weights" {0×0 double}
"conv_1" "Bias" {0×0 double}
"groupnorm_1" "Offset" {0×0 double}
"groupnorm_1" "Scale" {0×0 double}
"conv_2" "Weights" {0×0 double}
"conv_2" "Bias" {0×0 double}
"groupnorm_2" "Offset" {0×0 double}
"groupnorm_2" "Scale" {0×0 double}
"fc" "Weights" {0×0 double}
"fc" "Bias" {0×0 double}
"conv_branch" "Weights" {0×0 double}
"conv_branch" "Bias" {0×0 double}
"groupnorm_branch" "Offset" {0×0 double}
"groupnorm_branch" "Scale" {0×0 double}
ネットワーク入力の名前を表示します。
net.InputNames
ans = 1×2 cell
{'conv_1'} {'conv_branch'}
ネットワークへの入力を表すランダムな dlarray オブジェクトを作成します。ネットワークの主分岐には、3 つのチャネルをもつ 64 行 64 列のサンプル入力を使用します。2 番目の分岐には、18 個のチャネルをもつ 64 行 64 列の入力を使用します。
inputSize = [64 64 3]; inputSizeBranch = [32 32 18]; X1 = dlarray(rand(inputSize),"SSCB"); X2 = dlarray(rand(inputSizeBranch),"SSCB");
関数 initialize を使用して、ネットワークの学習可能なパラメーターを初期化し、サンプル入力を指定します。ネットワークの InputNames プロパティに対応する順序で入力を指定します。
net = initialize(net,X1,X2);
ネットワークの学習可能なパラメーターを表示します。ネットワークが初期化されたため、値は空でなく、入力データのサイズを使用して推定されたサイズになっています。
net.Learnables
ans=14×3 table
Layer Parameter Value
__________________ _________ _____________________
"conv_1" "Weights" { 3×3×3×144 dlarray}
"conv_1" "Bias" { 1×1×144 dlarray}
"groupnorm_1" "Offset" { 1×1×144 dlarray}
"groupnorm_1" "Scale" { 1×1×144 dlarray}
"conv_2" "Weights" { 3×3×144×24 dlarray}
"conv_2" "Bias" { 1×1×24 dlarray}
"groupnorm_2" "Offset" { 1×1×24 dlarray}
"groupnorm_2" "Scale" { 1×1×24 dlarray}
"conv_branch" "Weights" { 1×1×18×24 dlarray}
"conv_branch" "Bias" { 1×1×24 dlarray}
"groupnorm_branch" "Offset" { 1×1×24 dlarray}
"groupnorm_branch" "Scale" { 1×1×24 dlarray}
"fc" "Weights" {10×24576 dlarray}
"fc" "Bias" {10×1 dlarray}
2 つの未接続の入力をもつ未初期化の dlnetwork オブジェクトを作成します。
layers = [
convolution2dLayer(5,16,Name="conv")
batchNormalizationLayer
reluLayer
fullyConnectedLayer(50)
flattenLayer
concatenationLayer(1,2,Name="cat")
fullyConnectedLayer(10)
softmaxLayer];
net = dlnetwork(layers,Initialize=false);ネットワークの入力名を表示します。
net.InputNames
ans = 1×2 cell
{'conv'} {'cat/in2'}
入力の入力データを表すネットワーク データ レイアウト オブジェクトを作成します。最初の入力には、28 行 28 列のグレースケール イメージのバッチを指定します。2 番目の入力には、シングルチャネルの特徴データのバッチを指定します。
layout1 = networkDataLayout([28 28 1 NaN],"SSCB"); layout2 = networkDataLayout([1 NaN],"CB");
ネットワーク データ レイアウト オブジェクトを使用してネットワークを初期化します。
net = initialize(net,layout1,layout2)
net =
dlnetwork with properties:
Layers: [8×1 nnet.cnn.layer.Layer]
Connections: [7×2 table]
Learnables: [8×3 table]
State: [2×3 table]
InputNames: {'conv' 'cat/in2'}
OutputNames: {'softmax'}
Initialized: 1
View summary with summary.
