ドキュメンテーション

最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。

CrossChannelNormalizationLayer

チャネル単位の局所応答正規化層

説明

チャネル単位の局所応答 (クロス チャネル) 正規化層は、チャネル単位の正規化を行います。

作成

説明

layer = crossChannelNormalizationLayer(windowChannelSize) はチャネル単位の局所応答正規化層を作成し、WindowChannelSize プロパティを設定します。

layer = crossChannelNormalizationLayer(windowChannelSize,Name,Value) は、名前と値のペアを使用して、オプションのプロパティ WindowChannelSizeAlphaBetaK、および Name を設定します。たとえば、crossChannelNormalizationLayer(5,'K',1) は、ウィンドウ サイズが 5、K ハイパーパラメーターが 1 である、チャネル単位の正規化用の局所応答正規化層を作成します。複数の名前と値のペアを指定できます。各プロパティ名を一重引用符で囲みます。

プロパティ

すべて展開する

クロス チャネル正規化

チャネル ウィンドウのサイズ。各要素の正規化に使用されるチャネルの数を制御します。正の整数として指定します。

WindowChannelSize が偶数の場合、ウィンドウは非対称になります。前の floor((w-1)/2) 個のチャネルと後続の floor(w/2) 個のチャネルが確認されます。たとえば、WindowChannelSize が 4 の場合、層は、1 つ前のチャネルの近傍、および次の 2 つのチャネルの近傍によって、各要素を正規化します。

例: 5

正規化の α ハイパーパラメーター (乗数項)。数値スカラーとして指定します。

例: 0.0002

正規化の β ハイパーパラメーター。数値スカラーとして指定します。Beta の値は 0.01 以上でなければなりません。

例: 0.8

正規化の K ハイパーパラメーター。数値スカラーとして指定します。K の値は 10-5 以上でなければなりません。

例: 2.5

層の名前。文字ベクトルまたは string スカラーとして指定します。層グラフに層を含めるには、空ではない一意の層の名前を指定しなければなりません。この層が含まれる系列ネットワークに学習させて Name'' に設定すると、学習時に層に名前が自動的に割り当てられます。

データ型: char | string

層の入力の数。この層は単一の入力のみを受け入れます。

データ型: double

層の入力名。この層は単一の入力のみを受け入れます。

データ型: cell

層の出力の数。この層には単一の出力のみがあります。

データ型: double

層の出力名。この層には単一の出力のみがあります。

データ型: cell

すべて折りたたむ

5 チャネルのウィンドウによって各要素が正規化され、正規化の加算定数 K が 1 である、チャネル単位の正規化用の局所応答正規化層を作成します。

layer = crossChannelNormalizationLayer(5,'K',1)
layer = 
  CrossChannelNormalizationLayer with properties:

                 Name: ''

   Hyperparameters
    WindowChannelSize: 5
                Alpha: 1.0000e-04
                 Beta: 0.7500
                    K: 1

Layer 配列に局所応答正規化層を含めます。

layers = [ ...
    imageInputLayer([28 28 1])
    convolution2dLayer(5,20)
    reluLayer
    crossChannelNormalizationLayer(3)
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer]
layers = 
  7x1 Layer array with layers:

     1   ''   Image Input                   28x28x1 images with 'zerocenter' normalization
     2   ''   Convolution                   20 5x5 convolutions with stride [1  1] and padding [0  0  0  0]
     3   ''   ReLU                          ReLU
     4   ''   Cross Channel Normalization   cross channel normalization with 3 channels per element
     5   ''   Fully Connected               10 fully connected layer
     6   ''   Softmax                       softmax
     7   ''   Classification Output         crossentropyex

詳細

すべて展開する

参照

[1] Krizhevsky, A., I. Sutskever, and G. E. Hinton. "ImageNet Classification with Deep Convolutional Neural Networks." Advances in Neural Information Processing Systems. Vol 25, 2012.

R2016a で導入