多输入和多输出网络
在Deep Learning Toolbox™中,您可以定义具有多个输入的网络体系结构(例如,在多个来源和数据类型上训练的网络)或多个输出(例如,可以预测分类和回归响应的网络)。
多输入网络
当网络需要来自多个源或不同格式的数据时,定义具有多个输入的网络。例如,需要在不同分辨率下从多个传感器捕获的图像数据的网络。金宝搏官方网站
训练
要定义和训练具有多个输入的深度学习网络,请使用LayerGraph
对象并使用火车网
使用数据存储输入功能。
要将数据存储用于具有多个输入层的网络,请使用结合
和转换
函数创建一个数据存储,该数据存储在使用(numInputs
+ 1)列,其中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指标,最后一列指定响应。输入的顺序由输入名
图层图的属性层
。
有关显示如何使用图像和功能输入训练网络的示例,请参见Train Network on Image and Feature Data。
小费
如果网络还具有多个输出,则必须使用自定义培训循环。有关更多信息,请参阅多输出网络。
预言
要在具有多个输入的训练有素的深度学习网络上做出预测,请使用预测
或者分类
功能。使用以下一个指定多个输入:
组合的datastore
目的变换的达塔斯托尔
目的多个数字阵列
多输出网络
定义具有多个输出的网络,用于需要以不同格式的多个响应的任务。例如,需要分类和数字输出的任务。
训练
要培训具有多个输出的深度学习网络,请使用自定义培训循环。例如,请参阅具有多个输出的火车网络。
预言
要使用模型函数进行预测,请直接将模型函数与训练有素的参数一起使用。例如,请参阅使用模型功能进行预测。
或者,将模型函数转换为dagnetwork
对象使用assembleNetwork
功能。使用组装网络,您可以:
例如,请参阅组装多出输出网络以进行预测。