Main Content

このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。

image3dInputLayer

3 次元イメージ入力層

R2019a 以降

このページをすべて展開する

説明

3 次元イメージ入力層は、ネットワークに 3 次元イメージまたは 3 次元ボリュームを入力し、データ正規化を適用します。

2 次元イメージ入力の場合、imageInputLayer を使用します。

作成

構文

layer = image3dInputLayer(inputSize)
layer = image3dInputLayer(inputSize,Name,Value)

説明

layer = image3dInputLayer(inputSize) は 3 次元イメージ入力層を返し、InputSize プロパティを指定します。

例

layer = image3dInputLayer(inputSize,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を設定します。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

3 次元イメージ入力

入力データのサイズ。整数の行ベクトル [h w d c] として指定します。ここで、h、w、d、および c はそれぞれ高さ、幅、深さ、およびチャネル数に対応します。

  • グレースケール入力の場合、c が 1 に等しいベクトルを指定します。

  • RGB 入力の場合、c が 3 に等しいベクトルを指定します。

  • マルチスペクトル入力またはハイパースペクトル入力の場合、c がチャネル数に等しいベクトルを指定します。

2 次元イメージ入力の場合、imageInputLayer を使用します。

例: [132 132 116 3]

この プロパティ は読み取り専用です。

データが入力層を通じて順伝播されるたびに適用するデータ正規化。次のいずれかに指定します。

  • 'zerocenter' — Mean によって指定された平均を減算します。

  • 'zscore' — Mean によって指定された平均を減算し、StandardDeviation で除算します。

  • 'rescale-symmetric' — Min および Max によってそれぞれ指定された最小値と最大値を使用して、範囲 [-1, 1] に入力を再スケーリングします。

  • 'rescale-zero-one' — Min および Max によってそれぞれ指定された最小値と最大値を使用して、範囲 [0, 1] に入力を再スケーリングします。

  • 'none' — 入力データを正規化しません。

  • 関数ハンドル — 指定した関数を使用してデータを正規化します。関数は、Y = func(X) という形式でなければなりません。ここで、X は入力データ、出力 Y は正規化データです。

ヒント

既定では、関数 trainNetwork の使用時に正規化統計量が自動的に計算されます。学習時に時間を節約するため、正規化に必要な統計量を指定し、trainingOptions で ResetInputNormalization オプションを 0 (fasle) に設定します。

正規化の次元。次のいずれかに指定します。

  • 'auto' – 学習オプションが false の場合、いずれかの正規化統計量 (Mean、StandardDeviation、Min、または Max) を指定し、統計量に一致する次元に対して正規化を行います。そうでない場合、学習時に統計量を再計算し、チャネル単位の正規化を適用します。

  • 'channel' – チャネル単位の正規化。

  • 'element' – 要素単位の正規化。

  • 'all' – スカラーの統計量を使用してすべての値を正規化します。

データ型: char | string

ゼロ中心正規化および z スコア正規化の平均。h×w×d×c の配列、チャネルごとの平均から成る 1×1×1×c の配列、数値スカラー、または [] として指定します。ここで、h、w、d、および c はそれぞれ平均の高さ、幅、深さ、およびチャネル数に対応します。

Mean プロパティを指定する場合、Normalization は 'zerocenter' または 'zscore' でなければなりません。Mean が [] の場合、関数 trainNetwork は平均を計算します。カスタム学習ループを使用して dlnetwork オブジェクトに学習させる場合、または関数 assembleNetwork を使用して学習を行わずにネットワークを組み立てる場合は、Mean プロパティを数値スカラーまたは数値配列に設定しなければなりません。

データ型: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

z スコア正規化の標準偏差。h×w×d×c の配列、チャネルごとの平均から成る 1×1×1×c の配列、数値スカラー、または [] として指定します。ここで、h、w、d、および c はそれぞれ標準偏差の高さ、幅、深さ、およびチャネル数に対応します。

StandardDeviation プロパティを指定する場合、Normalization は 'zscore' でなければなりません。StandardDeviation が [] の場合、関数 trainNetwork は標準偏差を計算します。カスタム学習ループを使用して dlnetwork オブジェクトに学習させる場合、または関数 assembleNetwork を使用して学習を行わずにネットワークを組み立てる場合は、StandardDeviation プロパティを数値スカラーまたは数値配列に設定しなければなりません。

データ型: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

再スケーリングの最小値。h×w×d×c の配列、チャネルごとの最小値から成る 1×1×1×c の配列、数値スカラー、または [] として指定します。ここで、h、w、d、および c はそれぞれ最小値の高さ、幅、深さ、およびチャネル数に対応します。

Min プロパティを指定する場合、Normalization は 'rescale-symmetric' または 'rescale-zero-one' でなければなりません。Min が [] の場合、関数 trainNetwork は最小値を計算します。カスタム学習ループを使用して dlnetwork オブジェクトに学習させる場合、または関数 assembleNetwork を使用して学習を行わずにネットワークを組み立てる場合は、Min プロパティを数値スカラーまたは数値配列に設定しなければなりません。

データ型: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

再スケーリングの最大値。h×w×d×c の配列、チャネルごとの最大値から成る 1×1×1×c の配列、数値スカラー、または [] として指定します。ここで、h、w、d、および c はそれぞれ最大値の高さ、幅、深さ、およびチャネル数に対応します。

Max プロパティを指定する場合、Normalization は 'rescale-symmetric' または 'rescale-zero-one' でなければなりません。Max が [] の場合、関数 trainNetwork は最大値を計算します。カスタム学習ループを使用して dlnetwork オブジェクトに学習させる場合、または関数 assembleNetwork を使用して学習を行わずにネットワークを組み立てる場合は、Max プロパティを数値スカラーまたは数値配列に設定しなければなりません。

データ型: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

層

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。Layer 配列入力の場合、関数 trainNetwork、assembleNetwork、layerGraph、および dlnetwork は、名前が '' の層に自動的に名前を割り当てます。

データ型: char | string

この プロパティ は読み取り専用です。

層の入力の数。この層には入力がありません。

データ型: double

この プロパティ は読み取り専用です。

層の入力名。この層には入力がありません。

データ型: cell

この プロパティ は読み取り専用です。

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

この プロパティ は読み取り専用です。

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

例

すべて折りたたむ

ライブ スクリプトを開く

132×132×116 の 3 次元カラー イメージに対し、'input' という名前で 3 次元イメージ入力層を作成します。既定では、すべての入力イメージから学習セットの平均イメージを減算することで、層でデータ正規化が実行されます。

layer = image3dInputLayer([132 132 116],'Name','input')
layer = 
  Image3DInputLayer with properties:

                      Name: 'input'
                 InputSize: [132 132 116 1]

   Hyperparameters
             Normalization: 'zerocenter'
    NormalizationDimension: 'auto'
                      Mean: []

3 次元イメージ入力層を Layer 配列に含めます。

layers = [
    image3dInputLayer([28 28 28 3])
    convolution3dLayer(5,16,'Stride',4)
    reluLayer
    maxPooling3dLayer(2,'Stride',4)
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer]
layers = 
  7x1 Layer array with layers:

     1   ''   3-D Image Input         28x28x28x3 images with 'zerocenter' normalization
     2   ''   3-D Convolution         16 5x5x5 convolutions with stride [4  4  4] and padding [0  0  0; 0  0  0]
     3   ''   ReLU                    ReLU
     4   ''   3-D Max Pooling         2x2x2 max pooling with stride [4  4  4] and padding [0  0  0; 0  0  0]
     5   ''   Fully Connected         10 fully connected layer
     6   ''   Softmax                 softmax
     7   ''   Classification Output   crossentropyex

バージョン履歴

R2019a で導入

すべて展開する

参考

| | | | | |

トピック