使用预测dlnetwork对象
这个例子展示了如何使用dlnetwork对象通过将数据分割为小批量。
对于大型数据集，或者在内存有限的硬件上进行预测时，可以通过将数据分割为小批量来进行预测。当用SeriesNetwork或DAGNetwork对象时,预测函数自动将输入数据分割为小批量。为dlnetwork对象时，必须手动将数据分割为小批。
负载dlnetwork对象
装载一个训练有素的dlnetwork对象和相应的类。
S =负载(“digitsCustom.mat”）;Dlnet = s.dlnet;Classes = 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”）;imds = imageDatastore(digitDatasetPath，.．.“IncludeSubfolders”,真正的);
作出预测
遍历测试数据的小批，并使用自定义预测循环进行预测。
使用minibatchqueue处理和管理小批量的图像。指定迷你批处理大小为128。将映像数据存储的read size属性设置为迷你批处理大小。
对于每个小批量:
使用自定义小批量预处理功能
preprocessMiniBatch(在本例结束时定义)将数据连接到一个批处理中并规范化图像。用尺寸格式化图像
“SSCB”(空间，空间，通道，批次)。默认情况下，minibatchqueue对象将数据转换为dlarray具有基础类型的对象单．在可用的GPU上进行预测。默认情况下，
minibatchqueue对象将输出转换为gpuArray如果GPU可用。使用GPU需要并行计算工具箱™和受支持的GPU设备。金宝app有关受支持设备的信息，请参见金宝appGPU支金宝app持版本(并行计算工具箱)．
miniBatchSize = 128;洛桑国际管理发展学院。ReadSize = miniBatchSize;MBQ = minibatchqueue(imds，.．.“MiniBatchSize”miniBatchSize,.．.“MiniBatchFcn”@preprocessMiniBatch,.．.“MiniBatchFormat”，“SSCB”）;
对小批数据进行循环，并使用预测函数。使用onehotdecode函数来确定类标签。存储预测的类标签。
numObservations = numel(imds.Files);YPred = strings(1,numObservations);预测= [];在小批上循环。而hasdata(兆贝可)读取小批数据。dlX = next(mbq);使用预测函数进行预测。dlYPred =预测(dlnet,dlX);确定相应的类。predBatch = onehotdecode(dlYPred,classes,1);预测=[预测预批次];结束
想象一些预测。
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
小批量预处理功能
的preprocessMiniBatch函数按照以下步骤对数据进行预处理:
从传入单元格数组中提取数据并连接到数值数组中。在第四个维度上的连接为每个图像添加了第三个维度，用作单通道维度。
规范化之间的像素值
0而且1．
函数X = preprocessMiniBatch(数据)从单元格和拼接中提取图像数据X = cat(4,data{:});将图像规范化。X = X/255;结束
另请参阅
dlarray|dlnetwork|预测|minibatchqueue|onehotdecode
相关的话题
您也可以从以下列表中选择一个网站:
