cv::dnn::GRULayer 類參考

GRU 單層迴圈網路。更多...

#include <opencv2/dnn/all_layers.hpp>

cv::dnn::GRULayer 協作圖

靜態公共成員函式
static Ptr< GRULayer >	create (const LayerParams &params)
繼承自 cv::Algorithm 的靜態公共成員函式
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	從檔案中載入演算法。
template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	從字串載入演算法。
template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	從檔案節點讀取演算法。

附加繼承成員
繼承自 cv::dnn::Layer 的公共成員函式
	Layer ()
	Layer (const LayerParams &params)
	僅初始化 name、type 和 blobs 欄位。
virtual	~Layer ()
virtual void	applyHalideScheduler (Ptr< BackendNode > &node, const std::vector< Mat * > &inputs, const std::vector< Mat > &outputs, int targetId) const
	基於層超引數的 Halide 自動排程。
virtual void	finalize (const std::vector< Mat * > &input, std::vector< Mat > &output)
	根據輸入、輸出和 blobs 計算並設定內部引數。
std::vector< Mat >	finalize (const std::vector< Mat > &inputs)
	這是一個過載成員函式，為方便起見提供。它與上述函式的區別僅在於它接受的引數。
void	finalize (const std::vector< Mat > &inputs, std::vector< Mat > &outputs)
	這是一個過載成員函式，為方便起見提供。它與上述函式的區別僅在於它接受的引數。
virtual void	finalize (InputArrayOfArrays inputs, OutputArrayOfArrays outputs)
	根據輸入、輸出和 blobs 計算並設定內部引數。
virtual void	forward (InputArrayOfArrays inputs, OutputArrayOfArrays outputs, OutputArrayOfArrays internals)
	給定 input blobs，計算輸出 blobs。
virtual void	forward (std::vector< Mat * > &input, std::vector< Mat > &output, std::vector< Mat > &internals)
	給定 input blobs，計算輸出 blobs。
void	forward_fallback (InputArrayOfArrays inputs, OutputArrayOfArrays outputs, OutputArrayOfArrays internals)
	給定 input blobs，計算輸出 blobs。
virtual int64	getFLOPS (const std::vector< MatShape > &inputs, const std::vector< MatShape > &outputs) const
virtual bool	getMemoryShapes (const std::vector< MatShape > &inputs, const int requiredOutputs, std::vector< MatShape > &outputs, std::vector< MatShape > &internals) const
virtual void	getScaleShift (Mat &scale, Mat &shift) const
	返回具有逐通道乘法和加法操作的層的引數。
virtual void	getScaleZeropoint (float &scale, int &zeropoint) const
	返回層的縮放和零點。
virtual Ptr< BackendNode >	initCann (const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendWrapper > > &outputs, const std::vector< Ptr< BackendNode > > &nodes)
	返回一個 CANN 後端節點。
virtual Ptr< BackendNode >	initCUDA (void *context, const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendWrapper > > &outputs)
	返回一個 CUDA 後端節點。
virtual Ptr< BackendNode >	initHalide (const std::vector< Ptr< BackendWrapper > > &inputs)
	返回 Halide 後端節點。
virtual Ptr< BackendNode >	initNgraph (const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendNode > > &nodes)
virtual Ptr< BackendNode >	initTimVX (void *timVxInfo, const std::vector< Ptr< BackendWrapper > > &inputsWrapper, const std::vector< Ptr< BackendWrapper > > &outputsWrapper, bool isLast)
	返回一個 TimVX 後端節點。
virtual Ptr< BackendNode >	initVkCom (const std::vector< Ptr< BackendWrapper > > &inputs, std::vector< Ptr< BackendWrapper > > &outputs)
virtual Ptr< BackendNode >	initWebnn (const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendNode > > &nodes)
virtual int	inputNameToIndex (String inputName)
	返回輸入 blob 在輸入陣列中的索引。
virtual int	outputNameToIndex (const String &outputName)
	返回輸出 blob 在輸出陣列中的索引。
void	run (const std::vector< Mat > &inputs, std::vector< Mat > &outputs, std::vector< Mat > &internals)
	分配層並計算輸出。
virtual bool	setActivation (const Ptr< ActivationLayer > &layer)
	嘗試將後續啟用層附加到當前層，即在部分情況下進行層融合。
void	setParamsFrom (const LayerParams &params)
	僅初始化 name、type 和 blobs 欄位。
virtual bool	supportBackend (int backendId)
	詢問層是否支援特定的後端進行計算。
virtual Ptr< BackendNode >	tryAttach (const Ptr< BackendNode > &node)
	實現層融合。
virtual bool	tryFuse (Ptr< Layer > &top)
	嘗試將當前層與下一層融合。
virtual bool	tryQuantize (const std::vector< std::vector< float > > &scales, const std::vector< std::vector< int > > &zeropoints, LayerParams &params)
	嘗試量化給定層，並計算定點實現所需的量化引數。
virtual void	unsetAttached ()
	“分離”所有附加到特定層的層。
virtual bool	updateMemoryShapes (const std::vector< MatShape > &inputs)
繼承自 cv::Algorithm 的公共成員函式
	Algorithm ()
virtual	~Algorithm ()
virtual void	clear ()
	清除演算法狀態。
virtual bool	empty () const
	如果 Algorithm 為空（例如，在最開始或讀取不成功之後），則返回 true。
virtual String	getDefaultName () const
virtual void	read (const FileNode &fn)
	從檔案儲存中讀取演算法引數。
virtual void	save (const String &filename) const
void	write (const Ptr< FileStorage > &fs, const String &name=String()) const
virtual void	write (FileStorage &fs) const
	將演算法引數儲存到檔案儲存中。
void	write (FileStorage &fs, const String &name) const
繼承自 cv::dnn::Layer 的公共屬性
std::vector< Mat >	blobs
	學習到的引數列表必須儲存在此處，以便透過 Net::getParam() 讀取。
String	name
	層例項的名稱，可用於日誌記錄或其他內部目的。
int	preferableTarget
	層轉發的首選目標
String	type
	透過層工廠建立層時使用的型別名稱。
繼承自 cv::Algorithm 的保護成員函式
void	writeFormat (FileStorage &fs) const

詳細描述

GRU 單層迴圈網路。

接受輸入序列並計算批次中每個元素的最終隱藏狀態。

• input[0] 包含輸入序列的特徵。input[0] 的形狀應為 [T, N, data_dims]，其中 T 是序列長度，N 是批次大小，data_dims 是輸入大小
• 輸出的形狀將是 [T, N, D * hidden_size]，其中如果層是雙向的，則 D = 2，否則 D = 1

取決於以下屬性

• hidden_size - 隱藏層中的神經元數量
• direction - RNN 可以是雙向的或前向的

最終隱藏狀態 \( h_t \) 透過以下公式計算

\begin{eqnarray*} r_t = \sigma(W_{ir} x_t + b_{ir} + W_{hr} h_{(t-1)} + b_{hr}) \\ z_t = \sigma(W_{iz} x_t + b_{iz} + W_{hz} h_{(t-1)} + b_{hz}) \\ n_t = \tanh(W_{in} x_t + b_{in} + r_t \odot (W_{hn} h_{(t-1)}+ b_{hn})) \\ h_t = (1 - z_t) \odot n_t + z_t \odot h_{(t-1)} \\ \end{eqnarray*}

其中 \(x_t\) 是當前輸入，\(h_{(t-1)}\) 是先前或初始隱藏狀態。

\(W_{x?}\)、\(W_{h?}\) 和 \(b_{?}\) 是表示為矩陣的學習權重：\(W_{x?} \in R^{N_h \times N_x}\)、\(W_{h?} \in R^{N_h \times N_h}\)、\(b_? \in R^{N_h}\)。

\(\odot\) 是逐元素乘法運算。

成員函式文件

create()

static Ptr< GRULayer > cv::dnn::GRULayer::create ( const LayerParams & params )

static

建立 GRU 層例項

---

此類的文件是從以下檔案生成的

• opencv2/dnn/all_layers.hpp