主要内容

预测

计算深度学习网络输出用于推理

折叠所有页面

语法

海底=预测(dlnet dlX)
海底=预测(dlXM dlnet, dlX1,…)
[dlY1,…，dlYN) =预测(＿＿＿）
[dlY1,…，dlYK) =预测(＿＿＿、“输出”layerNames)
［＿＿＿) =预测(＿＿＿,加速度,加速度)
［＿＿＿、州)=预测(＿＿＿）

描述

一些深度学习层在训练和推断(预测)时表现不同。例如，在训练过程中，退出层将输入元素随机设置为零，以帮助防止过拟合，但在推理过程中，退出层不会改变输入。

为推理计算网络输出，使用预测函数。要计算用于训练的网络输出，使用向前函数。为预测SeriesNetwork和DAGNetwork对象,看到预测．

提示

为预测SeriesNetwork和DAGNetwork对象,看到预测．

例子

海底=预测(dlnet，dlX）返回网络输出海底在推断给定的输入数据dlX和网络dlnet只有一个输入和一个输出。

海底=预测(dlnet、dlX1 dlXM……)返回网络输出海底在推理过程中米输入dlX1,…,dlXM和网络dlnet有米输入和单个输出。

[dlY1,…，dlYN) =预测(＿＿＿）返回N输出dlY1、……dlYN在对网络的推理过程中N输出使用任何前面的语法。

[dlY1,…，dlYK) =预测(＿＿＿“输出”,layerNames）返回输出dlY1、……dlYK在使用任何前面的语法对指定层进行推断时。

［＿＿＿) =预测(＿＿＿“加速度”,加速度）除了前面语法中的输入参数外，还指定在推断期间要使用的性能优化。

［＿＿＿，状态) =预测(＿＿＿）也返回更新的网络状态。

例子

全部折叠

打开生活的脚本

这个例子展示了如何使用dlnetwork对象，将数据分割为小批。

对于大数据集，或者在内存有限的硬件上进行预测时，通过将数据分割成小批进行预测。当用SeriesNetwork或DAGNetwork对象时,预测函数自动将输入数据分割成小批。为dlnetwork对象时，必须手动将数据分割为小批量。

负载dlnetwork对象

加载一个训练dlnetwork对象和相应的类。

s =负载(“digitsCustom.mat”）;dlnet = s.dlnet;类= s.classes;

预测负荷数据

加载数字数据进行预测。

digitDatasetPath = fullfile (matlabroot,“工具箱”，“nnet”，“nndemos”，．..“nndatasets”，“DigitDataset”）;imd = imageDatastore (digitDatasetPath,．..“IncludeSubfolders”,真正的);

作出预测

循环测试数据的小批量，并使用自定义预测循环进行预测。

使用minibatchqueue处理和管理小批量图像。指定一个迷你批处理大小为128。设置镜像数据存储的读大小属性为mini-batch大小。

为每个mini-batch:

  • 使用自定义小批量预处理功能preprocessMiniBatch(在本例的最后定义)将数据连接成批处理并对图像进行规范化。

  • 用尺寸格式化图像“SSCB”(spatial, spatial, channel, batch)。默认情况下,minibatchqueue对象将数据转换为dlarray具有底层类型的对象单．

  • 在GPU可用的情况下进行预测。默认情况下,minibatchqueue对象将输出转换为gpuArray如果有可用的GPU。使用GPU需要并行计算工具箱™和支持的GPU设备。金宝app有关支持的设备的信息，请参见金宝appGPU支金宝app持情况(并行计算工具箱)．

miniBatchSize = 128;洛桑国际管理发展学院。ReadSize = miniBatchSize;兆贝可= minibatchqueue (imd,．..“MiniBatchSize”miniBatchSize,．..“MiniBatchFcn”@preprocessMiniBatch,．..“MiniBatchFormat”，“SSCB”）;

的方法对小批数据进行循环并进行预测预测函数。使用onehotdecode函数来确定类标签。存储预测的类标签。

numObservations =元素个数(imds.Files);YPred =字符串(1、numObservations);预测= [];%循环小批。而hasdata(兆贝可)%读取小批数据。dlX =下一个(兆贝可);%使用predict函数进行预测。dlYPred =预测(dlnet dlX);%确定相应的类。predBatch = onehotdecode (dlYPred类1);[预测predBatch];结束

设想一些预测。

idx = randperm (numObservations 9);数字为i = 1:9 subplot(3,3,i) i = imread(imds.Files{idx(i)});标签=预测(idx (i));imshow (I)标题(”的标签:“+字符串(标签)结束

Mini-Batch预处理功能

的preprocessMiniBatch函数使用以下步骤对数据进行预处理:

  1. 从传入单元格数组中提取数据并连接到一个数字数组中。连接第四个维度为每个图像添加了第三个维度，用作单通道维度。

  2. 对之间的像素值进行归一化0和1．

函数X = preprocessMiniBatch(数据)%从单元格提取图像数据并连接X =猫(4、数据{:});将图像归一化。X = X / 255;结束

输入参数

全部折叠

网络自定义训练循环，指定为dlnetwork对象。

输入数据，指定为格式化的dlarray．有关dlarray格式,请参见fmt输入参数的dlarray．

要从中提取输出的层，指定为包含层名的字符向量的字符串数组或单元格数组。

  • 如果layerNames(我)对应一个有单一输出的层layerNames(我)是层的名称。

  • 如果layerNames(我)对应一个有多个输出的层layerNames(我)是图层名称后跟字符/和输出的图层名称:“layerName / outputName”．

性能优化，指定为逗号分隔对组成“加速”以及以下其中之一:

  • “汽车”—自动应用一些适合输入网络和硬件资源的优化。

  • 墨西哥人的-编译并执行一个MEX函数。仅GPU支持此选项。输入数据或网络可学习参数必须存储为gpuArray对象。使用GPU需要并行计算工具箱™和支持的GPU设备。金宝app有关支持的设备的信息，请参见金宝appGPU支金宝app持情况(并行计算工具箱)．如果并行计算工具箱或合适的GPU不可用，则软件返回错误。

  • “没有”—禁用所有加速功能。

默认选项是“汽车”．如果“汽车”MATLAB是指定的,®将应用许多兼容的优化。如果你使用“汽车”选项，MATLAB永远不会生成MEX函数。

使用“加速”选项“汽车”和墨西哥人的可以提供性能优势，但以增加初始运行时为代价。使用兼容参数的后续调用速度更快。当您计划使用新输入数据多次调用函数时，请使用性能优化。

的墨西哥人的选项根据函数调用中使用的网络和参数生成并执行一个MEX函数。您可以同时拥有多个与单个网络相关联的MEX函数。清除网络变量还将清除与该网络关联的任何MEX函数。

的墨西哥人的选项仅在使用GPU时可用。您必须安装一个C/ c++编译器和GPU编码器™接口的深度学习库支持包。金宝app在MATLAB中使用Ad金宝appd-On Explorer安装支持包。有关安装说明，请参见墨西哥人设置(GPU编码器)．不需要GPU编码器。

的墨西哥人的选项有以下限制:

  • 的状态不支持输出参数。金宝app

  • 只有单精密的支持。金宝app输入数据或网络可学习参数必须具有底层类型单．

  • 不支持带有未连接到输入层的输入的网络。金宝app

  • 追踪dlarray对象不受支持。金宝app这意味着墨西哥人的选项在调用中不受支持金宝appdlfeval．

  • 并不是所有的层都支持。金宝app有关受支持的层的列表，请参见金宝app金宝app支持层(GPU编码器)．

  • 你不能使用MATLAB编译器™在使用时部署网络墨西哥人的选择。

例子:“加速”、“墨西哥人的

输出参数

全部折叠

输出数据，以格式化格式返回dlarray．有关dlarray格式,请参见fmt输入参数的dlarray．

更新的网络状态，作为表返回。

网络状态是一个有三列的表:

  • 层—层名，指定为字符串标量。

  • 参数-状态参数名称，指定为字符串标量。

  • 价值—state参数的值，指定为dlarray对象。

层状态包含层操作期间计算的信息，这些信息将在层的后续向前传递中保留使用。例如，LSTM层的单元状态和隐藏状态，或批处理规范化层中的运行统计信息。

对于循环层，例如LSTM层，使用HasStateInputs属性设置为1(true)，状态表不包含该层的状态项。

更新状态dlnetwork使用状态财产。

兼容性的考虑

全部展开

行为在R2021a中改变

扩展功能

另请参阅

||||

主题

介绍了R2019b

深度学习工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书