主要内容
dlfeval.
评估定制训练循环的深度学习模型
描述
用dlfeval.评估自定义深度学习模型的自定义训练循环。
小费
对于大多数深度学习任务，您可以使用备用网络并将其调整到您自己的数据。出于一个示例，展示了如何使用传输学习培育卷积神经网络以对新一组图像进行分类，请参阅培训深度学习网络以分类新图像.或者，您可以从头创建和训练网络使用layerGraph的对象Trainnetwork.和trainingOptions功能。
如果是trainingOptions功能不提供您需要的培训选项，然后您可以使用自动差异创建自定义训练循环。要了解更多信息，请参阅定义自定义训练循环的深度学习网络.
例子
使用自动差异计算梯度
Rosenbrock函数是优化的标准测试函数。的罗森布罗克.M.辅助功能计算功能值，并使用自动差异来计算其渐变。
类型罗森布罗克.M.
函数[y,就要]=。(x) y = 100 * (x - x(1)(2)。^ 2)。²+ (1 - x(1)) ^2;就要= dlgradient (y、x);结尾
评估Rosenbrock的功能及其梯度[1,2]， 创建一个dlarray.然后调用dlfeval.在功能手柄上@rosenbrock..
x0 = dlarray ([1, 2]);[fval, gradval] = dlfeval (x0 @rosenbrock)
Fval = 1x1 dlarray 104
Gradval = 1x2 Dlarray 396 200
或者，将RosenBrock的功能定义为两个输入的函数，X1和x2.
类型罗森布罗克2.M.
函数[y,dydx1,dydx2] = rosenbrock2(x1,x2) y = 100*(x2 - x1.^2)。^2 + (1 - x1) ^2;[dydx1, dydx2] = dlgradient (y, x1, x2);结尾
称呼dlfeval.评估rosenbrock2.在两者dlarray.表示输入的参数-1和2.
x1 = dlarray（-1）;x2 = dlarray（2）;[fval，dydx1，dydx2] = dlfeval（@ rosenbrock2，x1，x2）
Fval = 1x1 dlarray 104
dlarray 396
dydx2 = 1x1 dlarray 200
绘制RosenBrock函数的渐变，在单位广场中的几个点。首先，初始化表示评估点和函数输出的阵列。
[x1 x2] = meshgrid（linspace（0,1,10））;x1 = dlarray（x1（:)）;x2 = dlarray（x2（:)）;y = dlarray（零（尺寸（x1）））;dydx1 = y;dydx2 = y;
评估循环中的函数。使用结果绘制结果箭袋.
为了i = 1：长度（x1）[y（i），dydx1（i），dydx2（i）] = dlfeval（@ rosenbrock2，x1（i），x2（i））;结尾箭袋(extractdata (X1)、extractdata (X2)、extractdata (DYDX1) extractdata (DYDX2))包含('x1') ylabel ('x2'）
输入参数
输出参数
提示
一种
Dlgradient.呼叫必须在函数内。要获得渐变的数值，必须使用函数评估使用dlfeval.，函数的论点必须是一个dlarray..看到在深度学习工具箱中使用自动差异化.要启用对渐变的正确评估，该功能
有趣的必须仅使用支持的函数金宝appdlarray..看到支持dlarray的函数列表金宝app.
也可以看看
在R2019B中介绍
你也可以从以下列表中选择一个网站:
