Main Content

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.

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.

예제

속성

모두 확장

교차 채널 정규화

각 요소의 정규화에 사용되는 채널의 개수를 제어하는 채널 윈도우의 크기로, 16보다 작거나 같은 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. Layer 배열 입력값에 대해 trainnetdlnetwork 함수는 이름이 ""인 계층에 자동으로 이름을 할당합니다.

CrossChannelNormalizationLayer 객체는 이 속성을 문자형 벡터로 저장합니다.

데이터형: char | string

읽기 전용 속성입니다.

계층에 대한 입력값의 개수로, 1로 반환됩니다. 이 계층은 단일 입력값만 받습니다.

데이터형: double

읽기 전용 속성입니다.

입력값 이름으로, {'in'}으로 반환됩니다. 이 계층은 단일 입력값만 받습니다.

데이터형: cell

읽기 전용 속성입니다.

계층의 출력값 개수로, 1로 반환됩니다. 이 계층은 단일 출력값만 가집니다.

데이터형: double

읽기 전용 속성입니다.

출력값 이름으로, {'out'}으로 반환됩니다. 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]
layers = 
  6x1 Layer array with layers:

     1   ''   Image Input                   28x28x1 images with 'zerocenter' normalization
     2   ''   2-D 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

알고리즘

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.

확장 기능

C/C++ 코드 생성
MATLAB® Coder™를 사용하여 C 코드나 C++ 코드를 생성할 수 있습니다.

GPU 코드 생성
GPU Coder™를 사용하여 NVIDIA® GPU용 CUDA® 코드를 생성할 수 있습니다.

버전 내역

R2016a에 개발됨