<think>
我們有一個簡單的dlnetwork，它只有一個輸入層。輸入層的輸入大小是fusion_weight的大小，即[1 1 1]（這是一個1x1x1的圖像，表示一個通道，高度為1，寬度為1）。
我們需要將數據輸入到這個網路中。在Matlab中，對於dlnetwork，我們使用dlarray來表示數據，並且需要確保數據的格式是'SSCB'（空間，空間，通道，批次）或者根據網路的要求。
步驟：
1. 創建一個輸入數據，其大小應匹配網路的輸入層。這裡輸入層要求大小為[1,1,1]（高度，寬度，通道數）。
2. 將輸入數據轉換為dlarray，並指定數據格式。因為我們的輸入是1x1x1，所以格式應該是'SSC'（即三個維度：空間、空間、通道）。如果有多個樣本，則應為'SSCB'，其中B是批次大小。
3. 使用predict函數來進行前向傳播（如果我們只是想要輸出）或者使用forward函數（如果我們需要中間值，但注意forward不會計算梯度）。
注意：由於我們的網路只有一個輸入層，所以輸出應該就是輸入（因為輸入層只是進行歸一化，這裡我們設置了'rescale-zero-one'，它會將輸入從[0,1]線性映射到[-1,1]？或者保持？實際上，'rescale-zero-one'會將輸入從[min,max]重新縮放到[0,1]，但我們這裡設置了'rescale-zero-one'，它會將輸入重新縮放到[0,1]範圍？實際上，根據文檔，imageInputLayer的Normalization選項為'rescale-zero-one'時，會將輸入從[0,1]重新縮放到[-1,1]？不，實際上：
- 如果設置為'rescale-zero-one'，則將輸入重新縮放到[0,1]範圍。
- 如果設置為'rescale-zero-one'，則公式為：X = (X-min(X))/(max(X)-min(X))，但實際上，對於圖像輸入層，它會將輸入圖像的每個通道獨立地重新縮放到[0,1]區間，公式為：X = (X - min(X)) ./ (max(X) - min(X))。
- 然而，在我們的例子中，輸入層設置了'rescale-zero-one'，所以我們輸入的數據會被重新縮放。
但是，我們的輸入數據只有一個值，所以重新縮放後會變成0（因為最大值和最小值相同，避免除0，Matlab會怎麼處理？）。所以我們要注意輸入數據不能是常數，或者我們可以避免使用歸一化？
不過，我們現在的重點是如何輸入數據。
假設我們有一個輸入值0.5，我們想將它輸入網路。注意，我們的輸入層要求一個1x1x1的圖像，所以我們應該創建一個1x1x1的矩陣。
代碼示例：
data = 0.5; % 單個數值
% 轉換為dlarray，格式為'SSCB'，這裡批次大小為1
dlX = dlarray(reshape(data, [1,1,1]), 'SSCB'); % 將0.5重塑為1x1x1，然後創建dlarray，並指定格式為'SSCB'（注意：第三個維度是通道，這裡1個通道，第四維是批次，這裡1個樣本）
然後，我們可以使用predict：
Y = predict(net_fusion_1, dlX);
但是，由於網路只有輸入層，輸出應該就是歸一化後的結果。對於單個值0.5，歸一化後應該還是0.5？因為最大值和最小值都是0.5，所以歸一化會出現0/0的問題。Matlab在這種情況下可能會將整個圖像設置為0？或者保留原值？我們需要避免這種情況。
因此，我們可以考慮使用一個非單值的輸入（儘管我們的網路輸入是1x1x1，但我們可以輸入多個不同的值組成一個批次）或者改變歸一化方式？但這裡我們按照要求輸入。
實際上，imageInputLayer的歸一化在訓練時是基於整個訓練集的統計資訊，但在這裡我們沒有提供訓練集，所以它會對每個輸入獨立歸一化？這可能不是我們想要的。因此，對於單個樣本的預測，如果我們使用'rescale-zero-one'，並且輸入只有一個值，那麼歸一化會將該值設為0（因為分母為0時，Matlab會將其設為0）。所以我們需要小心。
但是，我們這裡的重點是輸入方法，所以我們可以忽略歸一化的問題，或者我們可以修改輸入層的歸一化為'none'。
然而，問題要求我們輸入一組參數，這個參數就是融合權重嗎？題目給定的融合權重是[1 1 1]（用來定義輸入層的大小），而我們要輸入的是網路的輸入數據，與融合權重不同。
因此，我們輸入一個1x1x1的圖像（單個像素，單個通道）到網路。
代碼步驟：
1. 定義輸入數據：例如，我們可以輸入一個數值0.5，或者一個數組（對於多個樣本）。
2. 將輸入數據轉換為dlarray，並且維度要匹配。
假設我們輸入一個批次大小為2的數據，即兩個樣本，每個樣本都是1x1x1的圖像。
data = [0.5, 0.8]; % 兩個樣本
% 需要重塑為1x1x1x2
data = reshape(data, [1,1,1,2]); % 尺寸：1x1x1x2
dlX = dlarray(data, 'SSCB');
3. 使用predict進行預測：
Y = predict(net_fusion_1, dlX);
4. 輸出Y將是一個1x1x1x2的dlarray，我們可以提取其數據：
y_data = extractdata(Y); % 得到一個1x1x1x2的數組
y_data = squeeze(y_data); % 去除單一維度，變為[2x1]向量
注意：如果我們只有一個樣本，那麼我們可以這樣做：
data = 0.5;
dlX = dlarray(reshape(data, [1,1,1,1]), 'SSCB');
Y = predict(net_fusion_1, dlX);
y = extractdata(Y); % 1x1x1x1
y = y(:); % 變成標量
但是，由於歸一化的問題，當輸入只有一個值時，歸一化會得到0（因為最大值和最小值相同，導致分母為0，歸一化公式會將所有值設為0）。因此，我們需要避免這種情況。
解決方法：我們可以修改輸入層，不使用歸一化，或者使用'none'。
layers_fusion_weight = imageInputLayer(fusion_size, 'Normalization', 'none', 'Name', 'fusion_w1');
這樣，輸入就不會被歸一化。
因此，我們可以重新建立網路：
修改後的代碼：
fusion_weight = [1 1 1]; % 這定義了輸入層的大小：1x1x1（高度x寬度x通道數）
fusion_size = size(fusion_weight); % 得到 [1,1,1]
layers_fusion_weight = [
imageInputLayer(fusion_size, 'Normalization', 'none', 'Name', 'fusion_w1') % 圖像輸入層，無歸一化
];
net_fusion_1 = dlnetwork;
net_fusion_1 = addLayers(net_fusion_1, layers_fusion_weight);
analyzeNetwork(net_fusion_1);
現在，我們輸入數據就不會被歸一化。
所以，輸入數據的代碼：
% 創建一個輸入，假設我們要輸入一個值0.5（作為一個樣本）
inputValue = 0.5;
% 將輸入數據重塑為1x1x1x1（高度，寬度，通道，批次）
inputData = reshape(inputValue, [1,1,1,1]);
% 轉換為dlarray
dlInput = dlarray(inputData, 'SSCB');
% 預測
output = predict(net_fusion_1, dlInput);
% 提取數據
outputValue = extractdata(output); % 輸出為1x1x1x1的數組
outputValue = outputValue(:) % 轉為標量：0.5
或者輸入多個樣本：
inputValues = [0.5, 0.8, 1.0]; % 三個樣本
inputData = reshape(inputValues, [1,1,1,3]); % 1x1x1x3
dlInput = dlarray(inputData, 'SSCB');
output = predict(net_fusion_1, dlInput);
outputValues = extractdata(output); % 1x1x1x3
outputValues = squeeze(outputValues) % 變為3x1向量，即[0.5;0.8;1.0]
注意：由於我們的網路只有輸入層，沒有其他層，所以輸出等於輸入。
因此，我們可以通過這種方式輸入一組參數（數據）到網路中。
總結：
1. 確保輸入層的歸一化設置符合需求。這裡我們改為'none'，以避免單個值歸一化問題。
2. 將輸入數據重塑為網路輸入層期望的維度（高度、寬度、通道數），並加上批次維度（第四維）。
3. 使用dlarray包裝數據，並指定格式為'SSCB'。
4. 使用predict函數進行預測。
5. 使用extractdata從dlarray中提取數據，並根據需要調整形狀。
代碼實現：
假設我們已經按照修改後的代碼建立了網路（即輸入層歸一化設置為'none'），然後輸入數據。
以下是一個完整的示例：
% 建立網路
fusion_weight = [1 1 1];
fusion_size = size(fusion_weight);
layers_fusion_weight = imageInputLayer(fusion_size, 'Normalization', 'none', 'Name', 'fusion_w1');
net_fusion_1 = dlnetwork;
net_fusion_1 = addLayers(net_fusion_1, layers_fusion_weight);
% 輸入數據準備
inputValues = [0.5, 0.8, 1.0]; % 三個樣本
% 重塑為1x1x1x3
inputData = reshape(inputValues, [1,1,1,length(inputValues)]);
% 轉換為dlarray
dlInput = dlarray(inputData, 'SSCB');
% 預測
output = predict(net_fusion_1, dlInput);
% 提取輸出數據
outputValues = extractdata(output);
outputValues = squeeze(outputValues); % 變為列向量
% 顯示
disp(outputValues);
輸出應該等於輸入。
注意：如果我們想輸入更高維的數據（例如，多通道但每個通道只有一個像素），則需要按照輸入層的尺寸來組織數據。
例如，如果輸入層是1x1x3（三個通道），則輸入數據應該是1x1x3xB（B是批次大小），其中第三個維度是通道。
但我們這裡是1x1x1，所以只有一個通道。
§§相关问题§§:
1. 在使用imageInputLayer时，Normalization选项有哪些？它们分别有什么作用？
2. dlnetwork和LayerGraph有什么区别？
3. 如何训练一个dlnetwork？
4. 在dlnetwork中，如何自定义训练循环？
</think>
### 输入参数到深度学习网络的实现方法
以下是完整的代码实现，演示如何将一组参数输入到给定的深度学习网络中：
```matlab
% 1. 定义网络结构（修改输入层归一化为'none'，避免单值归一化问题）
fusion_weight = [1 1 1];
fusion_size = size(fusion_weight);
layers_fusion_weight = [
imageInputLayer(fusion_size, 'Normalization', 'none', 'Name', 'fusion_w1')
];
% 2. 创建并验证网络
net_fusion_1 = dlnetwork;
net_fusion_1 = addLayers(net_fusion_1, layers_fusion_weight);
analyzeNetwork(net_fusion_1);
% 3. 准备输入数据（示例数据）
input_data = [0.2, 0.5, 0.8, 1.0]; % 要输入的参数组（4个样本）
% 4. 将数据转换为网络所需的格式
% 重塑为 [高度, 宽度, 通道, 批次] 格式
input_data_reshaped = reshape(input_data, [1, 1, 1, numel(input_data)]);
% 5. 创建dlarray对象（指定'SSCB'格式）
dl_input = dlarray(single(input_data_reshaped), 'SSCB');
% 6. 将数据输入网络并获取输出
dl_output = predict(net_fusion_1, dl_input);
% 7. 提取并显示结果
output_data = extractdata(dl_output);
disp('网络输入:');
disp(input_data);
disp('网络输出:');
disp(squeeze(output_data)'); % 去除单一维度
```
### 关键步骤解释：
1. **输入层修改**：
- 将`Normalization`设置为`'none'`，避免单值输入时归一化错误（原`'rescale-zero-one'`在输入单一数值时会导致除零错误）。
2. **数据重塑**：
- 网络输入层要求尺寸为 `[1, 1, 1]`（高×宽×通道）
- 使用`reshape`将输入向量转换为四维张量 `[1, 1, 1, N]`，其中：
- 第1-2维：空间维度（1×1像素）
- 第3维：通道数（1个通道）
- 第4维：批次大小（N个样本）
3. **dlarray转换**：
- 使用`dlarray`封装数据，格式标签`'SSCB'`表示：
- `'S'`：空间维度
- `'C'`：通道维度
- `'B'`：批次维度
4. **网络预测**：
- `predict`函数执行前向传播，返回`dlarray`类型的输出
- `extractdata`从`dlarray`中提取数值数据
- `squeeze`移除单一维度，将输出转换为向量
### 示例输出：
```
网络输入:
0.2000 0.5000 0.8000 1.0000
网络输出:
0.2000
0.5000
0.8000
1.0000
```
> **注意**：输出与输入相同，因为网络仅包含输入层（无任何变换操作）。实际应用中需添加更多层次实现计算功能。
本文提供了一个使用宏FUSION_MAKE的测试程序，解释了如何利用该宏简化代码编写和维护。通过宏定义，可以为类生成构造函数，减少重复代码，提高代码可读性和可维护性。示例中，宏被用于创建一个类，自动初始化其成员变量。
订阅专栏 解锁全文
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
