addLayer

Quelles configurations avancées sont disponibles pour une couche de convolution (type CONVO ou CONVOLUTION) ?

Pour une couche de convolution de type CONVO ou CONVOLUTION, vous pouvez configurer les aspects suivants :

  • height : Hauteur de la fenêtre de convolution 2D (obligatoire, minimum 1).
  • width : Largeur de la fenêtre de convolution 2D (obligatoire, minimum 1).
  • nFilters : Nombre de filtres à appliquer (obligatoire, minimum 1).
  • stride : Pas horizontal et vertical (par défaut 1, minimum 1). Peut être spécifié séparément via strideHorizontal (alias strideHorz, strideWidth) et strideVertical (alias strideVert, strideHeight).
  • padding : Dimensions de padding pour la largeur et la hauteur (minimum 0). Peut être spécifié séparément via paddingHeight et paddingWidth.
  • dropout : Taux de dropout pour la couche, entre 0 et 1 (exclu). Par défaut 0.
  • includeBias : Inclut des neurones de biais (TRUE par défaut).
  • init : Schéma d'initialisation des poids de filtre (voir les options détaillées dans la section d'initialisation).
  • initBias (alias initB) : Biais initial de la couche (par défaut 0).
  • mean : Valeur moyenne pour l'initialisation NORMAL (par défaut 0).
  • std : Écart-type pour l'initialisation NORMAL (par défaut 1).
  • truncationFactor (alias truncFact) : Seuil de troncature pour l'initialisation NORMAL (par défaut 0, minimum 0).
  • act : Fonction d'activation (voir les options détaillées dans la section fonctions d'activation).
  • fcmpAct : Fonction d'activation FCMPProcédure de création de fonctions et sous-programmes personnalisés réutilisables. Elle permet d'étendre le langage SAS et de partager des logiques métier complexes entre différentes étapes DATA. personnalisée.

Cette réponse vous a-t-elle aidé ?

Vos votes aident à améliorer notre base de connaissances.

Exemples pour l'action addLayer

1. Ajout de la couche d'entrée (INPUT)
Illustration corporate

Cet exemple définit la couche INPUT (tenseurs RGB 3x32x32). Le paramètre scale (1/255) normalise les pixels dans [0,1], une étape critique pour stabiliser la descente de gradient.

2. Ajout d'une couche de convolution (CONVO)
Illustration corporate

Cet exemple intègre une couche CONVO (16 filtres 3x3, stride=1). L'activation ReLU introduit la non-linéarité, et l'initialisation XAVIER préserve la variance des gradients.

Assemblage d'un réseau CNN de bout en bout
Illustration corporate

Cet exemple finalise le CNN : Max Pooling (réduction spatiale), FC (dropout 0.2) et OUTPUT Softmax (entropie croisée).

Action CAS associée

deepLearn

addLayer
À lire aussi...
Comment spécifier la table en mémoire du modèle de Deep Learning cible pour l'ajout d'une couche ? Illustration FAQ Comment ajouter une couche à un modèle de Deep Learning existant dans SAS Viya ? Quels sont les paramètres obligatoires et principaux pour la définition d'une nouvelle couche via l'action addLayer ? Quelles sont les options de fonctions d'activation disponibles pour les couches d'un réseau de neurones dans SAS Viya ? Quels sont les schémas d'initialisation des poids de filtre pour les couches convolutionnelles et comment les configurer ?