Main Content

이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

image3dInputLayer

3차원 영상 입력 계층

R2019a 이후

페이지 내 모두 확장

설명

3차원 영상 입력 계층은 신경망에 3차원 영상 또는 3차원 볼륨을 입력하고 데이터 정규화를 적용합니다.

2차원 영상 입력의 경우 imageInputLayer를 사용하십시오.

생성

구문

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

설명

layer = image3dInputLayer(inputSize)는 3차원 영상 입력 계층을 반환하고 InputSize 속성을 지정합니다.

예제

layer = image3dInputLayer(inputSize,Name,Value)는 이름-값 쌍을 사용하여 선택적 속성을 설정합니다. 여러 개의 이름-값 쌍을 지정할 수 있습니다. 각 속성 이름을 작은따옴표로 묶습니다.

속성

모두 확장

3차원 영상 입력

입력 데이터의 크기로, 정수로 이루어진 행 벡터 [h w d c]로 지정됩니다. 여기서 h, w, d, c는 각각 높이, 너비, 깊이 및 채널 개수입니다.

  • 회색조 입력의 경우 c가 1인 벡터를 지정하십시오.

  • RGB 입력의 경우 c가 3인 벡터를 지정하십시오.

  • 다중분광 입력이나 초분광 입력의 경우 c가 채널 개수인 벡터를 지정하십시오.

2차원 영상 입력의 경우 imageInputLayer를 사용하십시오.

예: [132 132 116 3]

읽기 전용 속성입니다.

데이터가 입력 계층을 통과하여 순방향으로 전파될 때마다 적용할 데이터 정규화로, 다음 중 하나로 지정됩니다.

  • 'zerocenter' — Mean으로 지정된 평균값을 뺍니다.

  • 'zscore' — Mean으로 지정된 평균값을 빼고 StandardDeviation으로 나눕니다.

  • 'rescale-symmetric' — Min으로 지정된 최솟값과 Max로 지정된 최댓값을 사용하여 입력값이 [-1, 1] 범위 내에 오도록 다시 스케일링합니다.

  • 'rescale-zero-one' — Min으로 지정된 최솟값과 Max로 지정된 최댓값을 사용하여 입력값이 [0, 1] 범위 내에 오도록 다시 스케일링합니다.

  • 'none' — 입력 데이터를 정규화하지 않습니다.

  • 함수 핸들 — 지정된 함수를 사용하여 데이터를 정규화합니다. 함수는 Y = func(X) 형식이 되어야 합니다. 여기서 X는 입력 데이터이고 출력값 Y는 정규화된 데이터입니다.

팁

소프트웨어는 기본적으로 trainNetwork 함수를 사용할 때 자동으로 정규화 통계량을 계산합니다. 훈련 중에 시간을 절약하려면 정규화에 필요한 통계량을 지정하고 trainingOptions의 ResetInputNormalization을 0(fasle)으로 설정하십시오.

정규화 차원으로, 다음 중 하나로 지정됩니다.

  • 'auto' – 훈련 옵션이 false이고 정규화 통계량 중 하나(Mean, StandardDeviation, Min 또는 Max)를 지정한 경우, 통계량과 일치하는 차원에 대해 정규화합니다. 그렇지 않은 경우, 훈련 시점에 통계량을 다시 계산하고 채널별 정규화를 적용합니다.

  • 'channel' – 채널별 정규화.

  • 'element' – 요소별 정규화.

  • 'all' – 스칼라 통계량을 사용하여 모든 값을 정규화합니다.

데이터형: char | string

중심 0 및 z-점수 정규화에서의 평균값으로, h×w×d×c 배열, 채널당 평균값으로 구성된 1×1×1×c 배열, 숫자형 스칼라 또는 []로 지정됩니다. 여기서 h, w, d, c는 각각 평균값의 높이, 너비, 깊이, 채널 개수입니다.

Mean 속성을 지정한 경우 Normalization은 'zerocenter' 또는 'zscore'여야 합니다. Mean이 []인 경우 trainNetwork 함수는 평균값을 계산합니다. 사용자 지정 훈련 루프를 사용하여 dlnetwork 객체를 훈련시키려면, 또는 assembleNetwork 함수를 사용하여 훈련 없이 신경망을 조합하려면 Mean 속성을 숫자형 스칼라 또는 숫자형 배열로 설정해야 합니다.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

z-점수 정규화에서의 표준편차로, h×w×d×c 배열, 채널당 평균값으로 구성된 1×1×1×c 배열, 숫자형 스칼라 또는 []로 지정됩니다. 여기서 h, w, d, c는 각각 표준편차의 높이, 너비, 깊이, 채널 개수입니다.

StandardDeviation 속성을 지정한 경우 Normalization은 'zscore'여야 합니다. StandardDeviation이 []인 경우 trainNetwork 함수는 표준편차를 계산합니다. 사용자 지정 훈련 루프를 사용하여 dlnetwork 객체를 훈련시키려면, 또는 assembleNetwork 함수를 사용하여 훈련 없이 신경망을 조합하려면 StandardDeviation 속성을 숫자형 스칼라 또는 숫자형 배열로 설정해야 합니다.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

다시 스케일링하기 위한 최솟값으로, h×w×d×c 배열, 채널당 최솟값으로 구성된 1×1×1×c 배열, 숫자형 스칼라 또는 []로 지정됩니다. 여기서 h, w, d, c는 각각 국소 최솟값의 높이, 너비, 깊이, 채널 개수입니다.

Min 속성을 지정한 경우 Normalization은 'rescale-symmetric' 또는 'rescale-zero-one'이어야 합니다. Min이 []인 경우 trainNetwork 함수는 국소 최솟값을 계산합니다. 사용자 지정 훈련 루프를 사용하여 dlnetwork 객체를 훈련시키려면, 또는 assembleNetwork 함수를 사용하여 훈련 없이 신경망을 조합하려면 Min 속성을 숫자형 스칼라 또는 숫자형 배열로 설정해야 합니다.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

다시 스케일링하기 위한 최댓값으로, h×w×d×c 배열, 채널당 최댓값으로 구성된 1×1×1×c 배열, 숫자형 스칼라 또는 []로 지정됩니다. 여기서 h, w, d, c는 각각 최댓값의 높이, 너비, 깊이, 채널 개수입니다.

Max 속성을 지정한 경우 Normalization은 'rescale-symmetric' 또는 'rescale-zero-one'이어야 합니다. Max가 []인 경우 trainNetwork 함수는 국소 최댓값을 계산합니다. 사용자 지정 훈련 루프를 사용하여 dlnetwork 객체를 훈련시키려면, 또는 assembleNetwork 함수를 사용하여 훈련 없이 신경망을 조합하려면 Max 속성을 숫자형 스칼라 또는 숫자형 배열로 설정해야 합니다.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

계층

계층 이름으로, 문자형 벡터 또는 string형 스칼라로 지정됩니다. Layer 배열 입력값에 대해 trainNetwork, assembleNetwork, layerGraph, dlnetwork 함수는 이름이 ''인 계층에 자동으로 이름을 할당합니다.

데이터형: char | string

읽기 전용 속성입니다.

계층의 입력값 개수. 이 계층에는 입력값이 없습니다.

데이터형: double

읽기 전용 속성입니다.

계층의 입력값 이름. 이 계층에는 입력값이 없습니다.

데이터형: cell

읽기 전용 속성입니다.

계층의 출력값 개수. 이 계층은 단일 출력값만 가집니다.

데이터형: double

읽기 전용 속성입니다.

계층의 출력값 이름. 이 계층은 단일 출력값만 가집니다.

데이터형: cell

예제

모두 축소

라이브 스크립트 열기

'input'이라는 이름의 132×132×116 컬러 3차원 영상을 위해 3차원 영상 입력 계층을 만듭니다. 기본적으로 이 계층은 모든 입력 영상에서 훈련 세트의 평균값 영상을 빼서 데이터 정규화를 수행합니다.

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

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

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

Layer 배열에 3차원 영상 입력 계층을 포함합니다.

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

버전 내역

R2019a에 개발됨

모두 확장

참고 항목

| | | | | |

도움말 항목