이 페이지의 최신 내용은 아직 번역되지 않았습니다. 최신 내용은 영문으로 볼 수 있습니다.

CrossChannelNormalizationLayer

채널별 국소 응답 정규화 계층

설명

채널별 국소 응답(교차 채널) 정규화 계층은 채널별 정규화를 수행합니다.

생성

설명

layer = crossChannelNormalizationLayer(windowChannelSize)는 채널별 국소 응답 정규화 계층을 만들고 WindowChannelSize 속성을 설정합니다.

예제

layer = crossChannelNormalizationLayer(windowChannelSize,Name,Value)는 이름-값 쌍을 사용하여 선택적 속성인 WindowChannelSize, Alpha, Beta, K, Name을 설정합니다. 예를 들어, crossChannelNormalizationLayer(5,'K',1)은 윈도우 크기 5, K 하이퍼파라미터 1을 사용하여 채널별 정규화를 위한 국소 응답 정규화 계층을 만듭니다. 여러 개의 이름-값 쌍을 지정할 수 있습니다. 각 속성 이름을 작은따옴표로 묶습니다.

속성

모두 확장

교차 채널 정규화

각 요소의 정규화에 사용되는 채널의 개수를 제어하는 채널 윈도우의 크기로, 양의 정수로 지정됩니다.

WindowChannelSize가 짝수인 경우, 윈도우는 비대칭입니다. 소프트웨어는 그전까지의 floor((w-1)/2)개 채널과 뒤에 오는 floor(w/2)개 채널을 살펴봅니다. 예를 들어, WindowChannelSize가 4인 경우, 계층은 직전 채널 1개에 있는 이웃과 뒤에 오는 2개의 채널에 있는 이웃을 사용하여 각 요소를 정규화합니다.

예: 5

정규화의 α 하이퍼파라미터(승수 항)로, 숫자형 스칼라로 지정됩니다.

예: 0.0002

정규화의 β 하이퍼파라미터로, 숫자형 스칼라로 지정됩니다. Beta의 값은 0.01보다 크거나 같아야 합니다.

예: 0.8

정규화의 K 하이퍼파라미터로, 숫자형 스칼라로 지정됩니다. K의 값은 10-5보다 크거나 같아야 합니다.

예: 2.5

계층

계층 이름으로, 문자형 벡터 또는 string형 스칼라로 지정됩니다. 계층 그래프에 계층을 포함하려면 비어 있지 않은 고유한 계층 이름을 지정해야 합니다. 이 계층을 사용하여 시리즈 네트워크를 훈련시킬 때 Name''로 설정하면, 소프트웨어가 훈련 시점에 해당 계층에 자동으로 이름을 할당합니다.

데이터형: char | string

계층의 입력값 개수. 이 계층은 단일 입력값만 받습니다.

데이터형: double

계층의 입력값 이름. 이 계층은 단일 입력값만 받습니다.

데이터형: cell

계층의 출력값 개수. 이 계층은 단일 출력값만 가집니다.

데이터형: double

계층의 출력값 이름. 이 계층은 단일 출력값만 가집니다.

데이터형: cell

예제

모두 축소

채널 5개로 구성된 윈도우가 각 요소를 정규화하고 정규화 함수의 부가 상수 K가 1인 채널별 정규화를 위한 국소 응답 정규화 계층을 만듭니다.

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

                 Name: ''

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

Layer 배열에 국소 응답 정규화 계층을 포함시킵니다.

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

세부 정보

모두 확장

참고 문헌

[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.

R2016a에 개발됨