FunctionLayer

FunctionLayer[f]

表示将函数 f 应用于其输入的网络层.

更多信息和选项

  • FunctionLayer 用于根据常用的 Wolfram 语言代码定义神经网络.
  • FunctionLayer[f][x] 的作用方式与 f[x]相同.
  • 函数 f 应该仅涉及关于数组生成数组或数组关联的有效运算.
  • 有效运算包括算术函数（Plus，Times，等等)，初等函数(Exp，Sqrt，Sin，等等)，数值函数（Min，Round，Ramp，等等），数组构造（Table， ConstantArray，等等），数组运算（Dot，Det，Tr，等等），描述统计（Mean，StandardDeviation，等等）和距离及相似（EuclideanDistance，HammingDistance，等等）. 也可以使用循环构造（Map，NestList，FoldList，等等）和列表操作函数（Part，Reverse，等等）.
  • 函数 f 必须仅接受一个参数作为输入. 参数可以是一个数组或数组的关联.
  • 如果 f 的参数是一个唯一数组，则 f 可以由纯函数、符号或它们的组合定义. 所生成的层将具有一个称为"Input"的唯一输入端口.
  • FunctionLayer[Sin[#]&] ⟶
  • 如果 f 的参数是数组的关联，则应使用命名槽定义 f. 所生成的层将具有以插槽命名的端口.
  • FunctionLayer[#Foo+#Bar&] ⟶
  • 也可以使用语法 FunctionLayer[Apply[f]]为 FunctionLayer 提供一个多参数函数 f. 在这种情况下，端口会自动命名.
  • FunctionLayer[Apply[#1+#2&]] ⟶
  • f 的输出必须是一个唯一数组（对应于唯一端口），或者是数组关联（对应于多个端口）.
  • FunctionLayer[<|"Foo"Sin[#],"Bar"#|>&]⟶
  • FunctionLayer[f,"port"shape] 可以像在 NetGraph 中一样用于指定给定端口的形状、编码器或解码器.
  • NetArray 可以在函数 f 中使用，以定义可学习的参数.
  • 函数 f 在内部转换为网络，可以是一层或多个层的图. NetExtract 可用于从函数层提取层和参数.
  • NetGraph[FunctionLayer[…]] 将函数层转换为 NetGraph[…].
  • Information[FunctionLayer[…]] 给出有关层的报告.
  • Information[FunctionLayer[…],prop] 给出 FunctionLayer[…]的属性值 prop. 可能的属性与 NetGraph 的相同.

范例

打开所有单元关闭所有单元

基本范例  (2)

定义层，计算某些数组的 StandardDeviation：

该层的运算结果与符号相同：

提取原始函数：

得到相当于 StandardDeviation 的网络层：

得到相当于 StandardDeviation 的 NetGraph：

FunctionLayer 可以用于 NetChain 和 NetGraph：

Scope  (18)

Input/Output  (4)

定义一个计算函数的层，该函数接受一个输入向量，并生成一个输出向量：

提取原始函数：

提取一个等价的 NetGraph：

将接受数组并返回数组关联的函数转换为网络：

该网络返回与函数相同的值：

将接受数组关联的函数转换为网络：

将网络应用于数组关联：

将接受数组列表的函数转换为网络：

将网络应用于数值列表：

将网络应用于数组列表：

原始函数给出相同的结果：

Normalization  (3)

定义 NetGraph，执行与 Normalize 相同的计算：

得到与 Standardize 等效的层：

得到与某些自定义标准化等效的 NetGraph：

Distances  (1)

得到对应于不同距离的 NetGraph：

Structural  (3)

获取对数组执行给定结构操作的网络层：

获取提取数组中特定位置值的网络层：

创建 FunctionLayer，在给定位置计算单位向量：

Fixed and Learnable Arrays  (1)

固定数组可以用列表指定，可学习参数的数组可以由 NetArray 指定：

列表 {0.25,0.75} 对应于冻结的具有零个LearningRateMultipliers 的 NetArrayLayer：

NetArray[{2},"Array"{0.1,0.9}]] 对应于具有一对可初始化为{0.1,0.9}的可学习值的 NetArrayLayer：

Random Numbers  (5)

创建一个在两个输入数组之间随机选择的网络：

重复随机选择 10 次：

创建一个网络，为图像添加带有随机值的灰度蒙版：

将网络应用于图像：

创建一个网络，为图像添加随机颜色的蒙版：

将网络应用于图像：

创建一个网络，将随机噪声添加到图像像素的行：

将网络应用于图像：

创建一个网络，将随机噪声添加到图像像素：

将网络应用于图像：

Debugging with Echo  (1)

连接某些中间计算作为网络的输出端口：

调用网络以获取值：

不支持 EchoTiming：

Possible Issues  (1)

不支持混合多个参数的函数：

必须使用已命名输入来定义具有多个输入的网络层：

Wolfram Research (2020)，FunctionLayer，Wolfram 语言函数，https://reference.wolfram.com/language/ref/FunctionLayer.html.

文本

Wolfram Research (2020)，FunctionLayer，Wolfram 语言函数，https://reference.wolfram.com/language/ref/FunctionLayer.html.

CMS

Wolfram 语言. 2020. "FunctionLayer." Wolfram 语言与系统参考资料中心. Wolfram Research. https://reference.wolfram.com/language/ref/FunctionLayer.html.

APA

Wolfram 语言. (2020). FunctionLayer. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/FunctionLayer.html 年

BibTeX

@misc{reference.wolfram_2024_functionlayer, author="Wolfram Research", title="{FunctionLayer}", year="2020", howpublished="\url{https://reference.wolfram.com/language/ref/FunctionLayer.html}", note=[Accessed: 22-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_functionlayer, organization={Wolfram Research}, title={FunctionLayer}, year={2020}, url={https://reference.wolfram.com/language/ref/FunctionLayer.html}, note=[Accessed: 22-November-2024 ]}