主要内容

预测

计算用于推理的深度学习网络输出

折叠所有页面

语法

预测(dlnet,dlX)
德利=预测(dlnet,dlX1，…，dlXM)
[dlY1,…，dlYN预测，预测___）
[dlY1,…，dlYK预测，预测___、“输出”layerNames)
(___预测，预测___,加速度,加速度)
(___，状态=预测(___）

描述

一些深度学习层在训练和推断(预测)过程中表现不同。例如，在训练过程中，dropout层随机将输入元素设置为零以帮助防止过拟合，但在推断过程中，dropout层不改变输入。

要计算用于推理的网络输出，请使用预测函数。要计算用于训练的网络输出，请使用向前函数。用于预测SeriesNetwork而且DAGNetwork对象,看到预测。

提示

用于预测SeriesNetwork而且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理时，给定输入数据dlX还有网络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还有网络dlnet有米输入和单一输出。

[dlY1,…，dlYN预测，预测___）返回N输出dlY1、……dlYN在对网络进行推断时N使用任何前面的语法输出。

[dlY1,…，dlYK预测，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期间。

(___预测，预测___“加速度”,加速度）还指定在推理期间使用的性能优化，以及前面语法中的输入参数。

(___，状态预测，预测___）还返回更新后的网络状态。

例子

全部折叠

打开实时脚本

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:

  1. 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。

  2. 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

输入参数

全部折叠

用于自定义训练循环的网络，指定为dlnetwork对象。

输入数据，指定为格式化的dlarray。欲了解更多有关dlarray格式，请参见fmt的输入参数dlarray。

要从中提取输出的层，指定为字符串数组或包含层名的字符向量的单元格数组。

  • 如果layerNames(我)那么，对应于具有单一输出的层layerNames(我)是层的名称。

  • 如果layerNames(我)那么，对应于具有多个输出的层layerNames(我)是层名后面加字符"/和层输出的名称:“layerName / outputName”。

性能优化，指定为由逗号分隔的对组成“加速”和以下其中之一:

  • “汽车”—自动应用大量适合输入网络和硬件资源的优化。

  • 墨西哥人的—编译并执行MEX函数。该选项仅在使用GPU时可用。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)。如果并行计算工具箱或合适的GPU不可用，那么软件将返回一个错误。

  • “没有”-禁用所有加速。

默认选项为“汽车”。如果“汽车”指定，MATLAB®将应用许多兼容的优化。如果你使用“汽车”选项，MATLAB不生成MEX函数。

使用“加速”选项“汽车”而且墨西哥人的可以提供性能优势，但以增加初始运行时间为代价。具有兼容参数的后续调用速度更快。当您计划使用新的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。您可以同时拥有与单个网络关联的多个MEX功能。清除网络变量也会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C/ c++编译器和GPU Coder™深度学习库接口支持包。金宝app使用MATLAB中的Ad金宝appd-On资源管理器安装支持包。有关设置说明，请参见墨西哥人设置(GPU编码器)。GPU Coder不需要。

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

  • 只有单支持精度。金宝app输入数据或网络可学习参数必须具有底层类型单。

  • 不支持具有未连接到输入层的输入网络。金宝app

  • 追踪dlarray不支持对象。金宝app这意味着墨西哥人的的调用中不支持金宝appdlfeval。

  • 并非所有层都受支持。金宝app有关受支持层的列表，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™控件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，以格式化的形式返回dlarray。欲了解更多有关dlarray格式，请参见fmt的输入参数dlarray。

更新的网络状态，以表形式返回。

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-状态参数的值，指定为dlarray对象。

层状态包含在层操作期间计算的信息，这些信息将保留用于层的后续向前传递。例如，LSTM层的单元状态和隐藏状态，或者在批归一化层中运行统计信息。

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。

更新的状态dlnetwork使用状态财产。

兼容性的考虑

全部展开

R2021a的行为发生了变化

扩展功能

另请参阅

||||

主题

R2019b引入

深度学习工具箱文档

金宝app

用MATLAB介绍深度学习

用MATLAB介绍深度学习

下载电子书