多和多输出网络
深度学习工具箱™,您可以定义网络架构与多个输入(例如,网络训练多个来源和类型的数据)或多个输出(例如,网络预测分类和回归响应)。
应用网络
定义网络和多个输入网络需要来自多个数据源的数据或在不同的格式。例如,网络,需要从多个传感器上获取的图像数据在不同的决议。金宝搏官方网站
培训
定义一个深度学习和培训网络有多个输入,指定网络体系结构使用layerGraph对象和培训使用trainNetwork函数与数据存储的输入。
使用一个数据存储与多个网络输入层,使用结合和变换函数来创建一个输出的数据存储单元阵列(numInputs+ 1)列,numInputs是网络输入的数量。在这种情况下,第一个numInputs列指定每个输入的预测和最后一列指定响应。输入的顺序的InputNames层的属性图层。
为一个例子,演示如何训练一个网络输入图像和特征,明白了列车网络形象和特征数据。
提示
如果网络也有多个输出,那么您必须使用一个自定义训练循环。有关更多信息,请参见多输出网络。
预测
进行预测与多个输入训练的深入学习网络,使用预测或分类函数。使用下列之一:指定多个输入
combinedDatastore对象transformedDatastore对象多个数值数组
多输出网络
定义网络和多个输出任务需要多个响应在不同的格式。例如,任务要求分类和数字输出。
培训
与多个输出培训深入学习网络,使用自定义训练循环。例如,看到的列车网络的多个输出。
预测
预测函数使用一个模型,利用该模型函数直接与训练参数。例如,看到的使用函数模型做出预测。
另外,模型函数转换为一个DAGNetwork对象使用assembleNetwork函数。组建网络,您可以:
例如,看到的组装多输出网络的预测。
