培训和验证

类进行训练时，可以使用图像数据存储或其他类型的数据存储作为训练数据源trainNetwork函数。若要使用数据存储进行验证，请使用＇ValidationData＇中的名称-值对参数trainingOptions．

要成为训练或验证的有效输入，读函数必须以单元格数组或表的形式返回数据(除了ImageDatastore可以输出数字数组的对象和必须输出表的自定义小批量数据存储)。

对于具有单个输入的网络，数据存储返回的表或单元格数组必须有两列。第一列数据表示对网络的输入，第二列数据表示响应。每一行数据代表一个单独的观察结果。为ImageDatastore只有,trainNetwork而且trainingOptions金宝app支持数据返回为整数数组和单列单元格数组的整数数组。

要为具有多个输入层的网络使用数据存储，请使用结合而且变换函数创建输出单元格数组的数据存储(numInputs+ 1)列，其中numInputs是网络输入的数量。在这种情况下，是第一个numInputs列指定每个输入的预测器，最后一列指定响应。输入的顺序由InputNames层图的属性层．

方法的示例输出如下表所示读用于数据存储的函数ds．

数据=读取(ds)

data = 4×2 table Predictors Response __________________ ________ {224×224×3 double} 2 {224×224×3 double} 7 {224×224×3 double} 9 {224×224×3 double} 9 . data = 4×2 table Predictors Response

数据=读取(ds)

Data = 4×2 cell array {224×224×3 double} {[2]} {224×224×3 double} {[7]} {224×224×3 double} {[9]} {224×224×3 double} {[9]}

数据=读取(ds)

数据= 4×3 cell array {224×224×3 double} {128×128×3 double} {[2]} {224×224×3 double} {128×128×3 double} {[2]} {224×224×3 double} {128×128×3 double} {[9]} {224×224×3 double} {128×128×3 double} {[9]}

预测器的格式取决于数据的类型。

对于表中返回的预测器，元素必须包含数字标量、数字行向量或包含数字数组的1乘1单元格数组。

的trainNetwork函数不支持具有多个序列输入层的网络。金宝app

响应的格式取决于任务的类型。

对于表中返回的响应，元素必须是分类标量、数字标量、数字行向量或包含数字数组的1乘1单元格数组。

预测

用于推理使用预测，分类,激活，数据存储只需要生成与预测器对应的列。推理函数使用第一个NumInputs列并忽略后续层，其中NumInputs是网络输入层数。

变换数据存储

转换后的数据存储在读取数据时将特定的数据转换应用到底层数据存储。要创建转换后的数据存储，请使用变换函数并指定底层数据存储和转换。

提供的函数句柄变换方法返回的相同格式的输入数据读底层数据存储的函数。

digitDatasetPath = fullfile(matlabroot，“工具箱”，“nnet”，.．.“nndemos”，“nndatasets”，“DigitDataset”）;imds = imageDatastore(digitDatasetPath，.．.“IncludeSubfolders”,真的,.．.“LabelSource”，“foldernames”）;

miniBatchSize = 128;洛桑国际管理发展学院。ReadSize = miniBatchSize;

dsTrain = transform(imds，@preprocessForTraining，“IncludeInfo”,真正的)

dsTrain = TransformedDatastore带有属性:底层数据存储:[1×1 matlab.io.datastore.]ImageDatastore]转换:{@preprocessForTraining} IncludeInfo: 1

图层= [imageInputLayer([28 28 1]，“归一化”，“没有”) reluLayer maxPooling2dLayer(2，“步”, 2) fullyConnectedLayer (10);softmaxLayer classificationLayer];选项= trainingOptions(“亚当”，.．.“阴谋”，“训练进步”，.．.“MiniBatchSize”, miniBatchSize);net = trainNetwork(dsTrain,layers,options);

函数[dataOut,info] = preprocessForTraining(data,info) numRows = size(data,1);dataOut = cell(numRows,2);为idx = 1:numRows%随机90度旋转imgOut = rot90(data{idx,1}，randi(4)-1);返回info struct中的标签% dataOut中的第二列。dataOut(idx，:) = {imgOut,info.Label(idx)};结束结束

结合数据存储

的结合函数关联多个数据存储。对结果进行操作CombinedDatastore，例如重置数据存储，将对所有底层数据存储执行相同的操作。调用读函数从所有数据存储中读取一批数据N底层数据存储，必须返回相同数量的观测值。对象中读取组合数据存储时返回水平连接的结果N-列单元格数组，适用于训练和验证。打乱组合数据存储将导致底层数据存储中文件的相同随机排序。

例如，如果您正在训练一个图像到图像的回归网络，那么您可以通过组合两个图像数据存储来创建训练数据集。这个示例代码演示如何组合两个名为imdsX而且imdsY．合并的数据存储imdsTrain返回数据为两列单元格数组。

imdsX = imageDatastore(___);imdsY = imageDatastore(___);imdsTrain = combine(imdsX,imdsY)

imdsTrain =带有属性的组合数据存储:底层数据存储:{1×2 cell}

如果您有图像处理工具箱，则randomPatchExtractionDatastore(图像处理工具箱)中关联基于图像的数据的替代解决方案ImageDatastore年代,PixelLabelDatastore年代,TransformedDatastore年代。randomPatchExtractionDatastore与使用?方法关联数据相比有几个优点结合函数。具体来说，一个随机的补丁提取数据存储: