ML: lista de capas de aprendizaje profundo

Para especificar la arquitectura de una red neuronal con todas las capas conectadas secuencialmente, cree una array de capas directamente. Para especificar la arquitectura de una red donde las capas pueden tener múltiples entradas o salidas, use un objeto LayerGraph. Utilice las siguientes funciones para crear diferentes tipos de capas.

Capas de entrada:

FUNCIÓN	DESCRIPCIÓN
imageInputLayer	Entradas de imágenes a una red Aplica normalización de datos .
secuenciaInputLayer	Introduce datos de secuencia en una red.

Capas de aprendizaje:

FUNCIÓN	DESCRIPCIÓN
convolución2dLayer	Aplica filtros deslizantes a la entrada. Convoluciona la entrada moviendo los filtros a lo largo de la entrada vertical y horizontalmente y calculando el producto escalar de los pesos y la entrada, y luego agregando un término de sesgo.
transposedConv2dLayer	Mejora los mapas de características.
capa totalmente conectada	Multiplica la entrada por una array de peso y luego agrega un vector de sesgo .
lstmLayer	Es una capa de red neuronal recurrente (RNN) que permite admitir series temporales y datos de secuencia en una red. Realiza interacciones aditivas, que pueden ayudar a mejorar el flujo de gradiente en secuencias largas durante el entrenamiento. Son los más adecuados para aprender dependencias a largo plazo. .

Capas de activación:

FUNCIÓN	DESCRIPCIÓN
reluLayer	Realiza una operación de umbral para cada elemento de la entrada, donde cualquier valor menor que cero se establece en cero.
fugaReluLayer	Realiza una operación de umbral simple, donde cualquier valor de entrada menor que cero se multiplica por un escalar fijo
recortadaReluLayer	Realiza una operación de umbral simple, donde cualquier valor de entrada menor que cero se establece en cero. Cualquier valor por encima del techo de recorte se establece en ese techo de recorte.

Capas de Normalización y Eliminación:

FUNCIÓN	DESCRIPCIÓN
capa de normalización por lotes	Normaliza cada canal de entrada en un mini lote. La capa primero normaliza las activaciones de cada canal restando la media del minilote y dividiéndola por la desviación estándar del minilote. Luego, la capa cambia la entrada por un desplazamiento aprendible y la escala por un factor de escala aprendible. Utilice capas de normalización por lotes entre capas convolucionales y no linealidades, como capas ReLU, para acelerar el entrenamiento de redes neuronales convolucionales y reducir la sensibilidad a la inicialización de la red.
crossChannelNormalizationLayer	Lleva a cabo la normalización por canales.
dropoutLayer	Establece aleatoriamente los elementos de entrada en cero con una probabilidad dada.

Capas de agrupación:

FUNCIÓN	DESCRIPCIÓN
promedioPooling2dLayer	Realiza un muestreo descendente dividiendo la entrada en regiones de agrupación rectangulares y calculando los valores promedio de cada región.
maxPooling2dLayer	Realiza un muestreo descendente dividiendo la entrada en regiones de agrupación rectangulares y calculando el máximo de cada región.
maxUnpooling2dLayer	Desagrupa la salida de una capa de agrupación máxima.

Capas combinadas:

FUNCIÓN	DESCRIPCIÓN
capa adicional	Agrega múltiples entradas por elementos. Especifique el número de entradas a la capa cuando la cree. Las entradas tienen los nombres ‘in1’, ‘in2’, …, ‘inN’, donde N es el número de entradas. Use los nombres de entrada cuando conecte o desconecte la capa a otras capas usando connectLayers o desconectarLayers. Todas las entradas a una capa adicional deben tener la misma dimensión.
profundidadConcatenaciónCapa	Toma múltiples entradas que tienen la misma altura y anchura. Los concatena a lo largo de la tercera dimensión.

Capas de salida:

FUNCIÓN	DESCRIPCIÓN
softmaxLayer	Aplica una función softmax a la entrada.
clasificaciónCapa	Contiene el nombre de la función de pérdida que utiliza el software para entrenar la red para la clasificación multiclase. .
capa de regresión	Contiene el nombre de la función de pérdida que utiliza el software para entrenar la red para la regresión y los nombres de las respuestas.