Main Content

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

image3dInputLayer

3차원 영상 입력 계층

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]

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 훈련 시점에 자동으로 정규화 통계량을 계산합니다. 훈련 중에 시간을 절약하려면 정규화에 필요한 통계량을 지정하고 trainingOptions의 'ResetInputNormalization'을 false로 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 소프트웨어는 훈련 시점에 평균값을 계산합니다.

이 속성은 훈련 없이 신경망을 만들 때(예를 들어, assembleNetwork를 사용하여 신경망을 조합할 때) 설정할 수 있습니다.

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 소프트웨어는 훈련 시점에 표준편차를 계산합니다.

이 속성은 훈련 없이 신경망을 만들 때(예를 들어, assembleNetwork를 사용하여 신경망을 조합할 때) 설정할 수 있습니다.

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 소프트웨어는 훈련 시점에 최솟값을 계산합니다.

이 속성은 훈련 없이 신경망을 만들 때(예를 들어, assembleNetwork를 사용하여 신경망을 조합할 때) 설정할 수 있습니다.

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.

Min 속성을 지정한 경우 Normalization은 'rescale-symmetric' 또는 'rescale-zero-one'이어야 합니다. Max가 []인 경우 소프트웨어는 훈련 시점에 최댓값을 계산합니다.

이 속성은 훈련 없이 신경망을 만들 때(예를 들어, assembleNetwork를 사용하여 신경망을 조합할 때) 설정할 수 있습니다.

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

계층의 입력값 개수. 이 계층에는 입력값이 없습니다.

데이터형: double

계층의 입력값 이름. 이 계층에는 입력값이 없습니다.

데이터형: cell

이 속성은 읽기 전용입니다.

계층의 출력값 개수. 이 계층은 단일 출력값만 가집니다.

데이터형: double

이 속성은 읽기 전용입니다.

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   ''   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