Main Content

getLearnRateFactor

層の学習可能なパラメーターの学習率係数の取得

説明

factor = getLearnRateFactor(layer,parameterName) は、layerparameterName という名前の学習可能なパラメーターの学習率係数を返します。

組み込み層の場合、対応するプロパティを使用して学習率係数を直接取得できます。たとえば、convolution2dLayer 層の場合、構文 factor = getLearnRateFactor(layer,'Weights')factor = layer.WeightLearnRateFactor と等価です。

factor = getLearnRateFactor(layer,parameterPath) は、パス parameterPath で指定されたパラメーターの学習率係数を返します。この構文は、パラメーターがカスタム層の dlnetwork オブジェクトにあるときに使用します。

factor = getLearnRateFactor(net,layerName,parameterName) は、指定された dlnetwork オブジェクトの layerName という名前の層の parameterName という名前のパラメーターの学習率係数を返します。

factor = getLearnRateFactor(net,parameterPath) は、パス parameterPath で指定されたパラメーターの学習率係数を返します。この構文は、パラメーターが入れ子の層にあるときに使用します。

すべて折りたたむ

カスタム PReLU 層の学習可能なパラメーターの学習率係数を設定および取得します。

この例にサポート ファイルとして添付されているカスタム層 preluLayer を含む層配列を作成します。この層にアクセスするには、この例をライブ スクリプトとして開きます。

layers = [ ...
    imageInputLayer([28 28 1])
    convolution2dLayer(5,20)
    batchNormalizationLayer
    preluLayer
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];

preluLayer の学習可能パラメーター Alpha の学習率係数を 2 に設定します。

layers(4) = setLearnRateFactor(layers(4),"Alpha",2);

更新された学習率係数を表示します。

factor = getLearnRateFactor(layers(4),"Alpha")
factor = 2

入れ子層の学習可能なパラメーターの学習率係数を設定して取得します。

この例にサポート ファイルとして添付されているカスタム層 residualBlockLayer を使用して、残差ブロック層を作成します。このファイルにアクセスするには、この例をライブ スクリプトとして開きます。

numFilters = 64;
layer = residualBlockLayer(numFilters)
layer = 
  residualBlockLayer with properties:

       Name: ''

   Learnable Parameters
    Network: [1x1 dlnetwork]

   State Parameters
    Network: [1x1 dlnetwork]

Use properties method to see a list of all properties.

入れ子ネットワークの層を表示します。

layer.Network.Layers
ans = 
  7x1 Layer array with layers:

     1   'conv_1'        2-D Convolution       64 3x3 convolutions with stride [1  1] and padding 'same'
     2   'batchnorm_1'   Batch Normalization   Batch normalization
     3   'relu_1'        ReLU                  ReLU
     4   'conv_2'        2-D Convolution       64 3x3 convolutions with stride [1  1] and padding 'same'
     5   'batchnorm_2'   Batch Normalization   Batch normalization
     6   'add'           Addition              Element-wise addition of 2 inputs
     7   'relu_2'        ReLU                  ReLU

関数 setLearnRateFactor を使用して、層 'conv_1' の学習可能なパラメーター 'Weights' の学習率係数を 2 に設定します。

factor = 2;
layer = setLearnRateFactor(layer,'Network/conv_1/Weights',factor);

関数 getLearnRateFactor を使用して、更新された学習率係数を取得します。

factor = getLearnRateFactor(layer,'Network/conv_1/Weights')
factor = 2

dlnetwork オブジェクトの学習可能なパラメーターの学習率係数を設定して取得します。

dlnetwork オブジェクトを作成します。

layers = [
    imageInputLayer([28 28 1],'Normalization','none','Name','in')
    convolution2dLayer(5,20,'Name','conv')
    batchNormalizationLayer('Name','bn')
    reluLayer('Name','relu')
    fullyConnectedLayer(10,'Name','fc')
    softmaxLayer('Name','sm')];

lgraph = layerGraph(layers);

dlnet = dlnetwork(lgraph);

関数 setLearnRateFactor を使用して、畳み込み層の 'Weights' 学習可能パラメーターの学習率係数を 2 に設定します。

factor = 2;
dlnet = setLearnRateFactor(dlnet,'conv','Weights',factor);

関数 getLearnRateFactor を使用して、更新された学習率係数を取得します。

factor = getLearnRateFactor(dlnet,'conv','Weights')
factor = 2

dlnetwork オブジェクトの入れ子層の学習可能なパラメーターの学習率係数を設定して取得します。

この例にサポート ファイルとして添付されているカスタム層 residualBlockLayer を含む dlnetwork オブジェクトを作成します。このファイルにアクセスするには、この例をライブ スクリプトとして開きます。

inputSize = [224 224 3];
numFilters = 32;
numClasses = 5;

layers = [
    imageInputLayer(inputSize,'Normalization','none','Name','in')
    convolution2dLayer(7,numFilters,'Stride',2,'Padding','same','Name','conv')
    groupNormalizationLayer('all-channels','Name','gn')
    reluLayer('Name','relu')
    maxPooling2dLayer(3,'Stride',2,'Name','max')
    residualBlockLayer(numFilters,'Name','res1')
    residualBlockLayer(numFilters,'Name','res2')
    residualBlockLayer(2*numFilters,'Stride',2,'IncludeSkipConvolution',true,'Name','res3')
    residualBlockLayer(2*numFilters,'Name','res4')
    residualBlockLayer(4*numFilters,'Stride',2,'IncludeSkipConvolution',true,'Name','res5')
    residualBlockLayer(4*numFilters,'Name','res6')
    globalAveragePooling2dLayer('Name','gap')
    fullyConnectedLayer(numClasses,'Name','fc')
    softmaxLayer('Name','sm')];

dlnet = dlnetwork(layers);

'res1' の入れ子ネットワークの層を表示します。

dlnet.Layers(6).Network.Layers
ans = 
  7x1 Layer array with layers:

     1   'conv_1'        2-D Convolution       32 3x3x32 convolutions with stride [1  1] and padding 'same'
     2   'batchnorm_1'   Batch Normalization   Batch normalization with 32 channels
     3   'relu_1'        ReLU                  ReLU
     4   'conv_2'        2-D Convolution       32 3x3x32 convolutions with stride [1  1] and padding 'same'
     5   'batchnorm_2'   Batch Normalization   Batch normalization with 32 channels
     6   'add'           Addition              Element-wise addition of 2 inputs
     7   'relu_2'        ReLU                  ReLU

関数 setLearnRateFactor を使用して、層 'conv_1' の学習可能なパラメーター 'Weights' の学習率係数を 2 に設定します。

factor = 2;
dlnet = setLearnRateFactor(dlnet,'res1/Network/conv_1/Weights',factor);

関数 getLearnRateFactor を使用して、更新された学習率係数を取得します。

factor = getLearnRateFactor(dlnet,'res1/Network/conv_1/Weights')
factor = 2

入力引数

すべて折りたたむ

入力層。スカラー Layer オブジェクトとして指定します。

パラメーター名。文字ベクトルまたは string スカラーとして指定します。

入れ子層のパラメーターへのパス。string スカラーまたは文字ベクトルとして指定します。入れ子層は、それ自体が層グラフを学習可能なパラメーターとして定義するカスタム層です。

getLearnRateFactor への入力が入れ子層である場合、パラメーター パスは "propertyName/layerName/parameterName" の形式になります。ここで、以下のようになります。

  • propertyName は、dlnetwork オブジェクトが格納されたプロパティの名前

  • layerName は、dlnetwork オブジェクト内の層の名前

  • parameterName は、パラメーターの名前

入れ子層のレベルが複数ある場合は、"propertyName1/layerName1/.../propertyNameN/layerNameN/parameterName" の形式で各レベルを指定します。ここで、propertyName1layerName1 は関数 getLearnRateFactor に対する入力の層に対応し、後続の部分はさらに深層のレベルに対応します。

例: getLearnRateFactor に対する層入力では、パス "Network/conv1/Weights" が、layer.Network によって指定された dlnetwork オブジェクト内の "conv1" という名前の層の "Weights" パラメーターを指定します。

getLearnRateFactor に対する入力が dlnetwork オブジェクトであり、目的のパラメーターが入れ子層の中にある場合、パラメーター パスは "layerName1/propertyName/layerName/parameterName" の形式になります。ここで、以下のようになります。

  • layerName1 は、入力 dlnetwork オブジェクト内の層の名前

  • propertyName は、dlnetwork オブジェクトが格納された層のプロパティ

  • layerName は、dlnetwork オブジェクト内の層の名前

  • parameterName は、パラメーターの名前

入れ子層のレベルが複数ある場合は、"layerName1/propertyName1/.../layerNameN/propertyNameN/layerName/parameterName" の形式で各レベルを指定します。ここで、layerName1propertyName1 は関数 getLearnRateFactor に対する入力の層に対応し、後続の部分はさらに深層のレベルに対応します。

例: getLearnRateFactor に対する dlnetwork 入力では、パス "res1/Network/conv1/Weights" が、layer.Network によって指定された dlnetwork オブジェクト内の "conv1" という名前の層の "Weights" パラメーターを指定します。ここで layer は入力ネットワーク net"res1" という名前の層です。

データ型: char | string

ニューラル ネットワーク。dlnetwork オブジェクトとして指定します。

層の名前。string スカラーまたは文字ベクトルとして指定します。

データ型: char | string

出力引数

すべて折りたたむ

パラメーターの学習率係数。非負のスカラーとして返されます。

この係数にグローバル学習率が乗算されて、指定されたパラメーターの学習率が決定されます。たとえば、factor が 2 の場合、指定されたパラメーターの学習率は現在のグローバル学習率の 2 倍になります。関数 trainingOptions で指定された設定に基づいて、グローバル学習率が決定されます。

バージョン履歴

R2017b で導入