当你用自定义的训练循环训练一个深度学习模型时,软件将可学习参数的损失最小化。为了使损失最小化,软件使用损失的梯度与可学习的参数。为了使用自动微分来计算这些梯度,你必须定义一个模型梯度函数。
下面是一个示例,演示如何使用dlnetwork
对象,看到使用自定义训练循环的列车网络.有关如何训练定义为函数的深度学习模型的示例,请参见使用模型函数的列车网络.
dlnetwork
对象如果你有一个深度学习模型定义为dlnetwork
对象,然后创建一个模型梯度函数dlnetwork
对象作为输入。
指定为dlnetwork
对象,创建窗体的函数梯度= modelGradients (dlnet dlX T)
,在那里dlnet
是网络,dlX
是网络输入,T
包含目标,和梯度
包含返回的渐变。您可以选择将额外的参数传递给gradient函数(例如,如果loss函数需要额外的信息),或者返回额外的参数(例如,绘制训练进度的度量)。
例如,这个函数返回指定的梯度和交叉熵损失dlnetwork
对象dlnet
,输入数据dlX
,目标T
.
函数[gradients, loss] = modelGradients(dlnet, dlX, T)%通过dlnetwork对象转发数据。海底=前进(dlnet dlX);%计算损失。损失= crossentropy(海底,T);%计算梯度。梯度= dlgradient(损失、dlnet);结束
如果你有一个定义为函数的深度学习模型,那么创建一个模型梯度函数,将模型可学习参数作为输入。
对于指定为函数的模型,创建表单的函数梯度= modelGradients(参数、dlX T)
,在那里参数
包含可学习参数,dlX
是模型输入,T
包含目标,和梯度
包含返回的渐变。您可以选择将额外的参数传递给gradient函数(例如,如果loss函数需要额外的信息),或者返回额外的参数(例如,绘制训练进度的度量)。
例如,该函数返回深度学习模型函数的梯度和交叉熵损失模型
具有指定的可学习参数参数
,输入数据dlX
,目标T
.
函数[gradients, loss] = modelGradients(parameters, dlX, T)%通过模型函数转发数据。海底=模型(参数,dlX);%计算损失。损失= crossentropy(海底,T);%计算梯度。梯度= dlgradient(损失、参数);结束
使用自动分化评估模型梯度,使用dlfeval
函数,它计算启用了自动微分的函数。的第一个输入dlfeval
,将模型梯度函数指定为函数句柄。对于以下输入,传递模型梯度函数所需的变量。的输出dlfeval
函数,指定与模型梯度函数相同的输出。
例如,评估模型梯度函数modelGradients
与一个dlnetwork
对象dlnet
,输入数据dlX
,目标T
,返回模型梯度和损失。
[gradients, loss] = dlfeval(@modelGradients, dlX,T);
同样,评估模型梯度函数modelGradients
使用模型函数与可学习的参数指定的结构参数
,输入数据dlX
,目标T
,返回模型梯度和损失。
[gradients, loss] = dlfeval(@modelGradients,parameters,dlX,T);
要使用梯度更新可学习的参数,可以使用以下函数。
函数 | 描述 |
---|---|
adamupdate |
使用自适应矩估计(Adam)更新参数 |
rmspropupdate |
使用均方根传播(RMSProp)更新参数 |
sgdmupdate |
利用随机动量梯度下降法(SGDM)更新参数 |
dlupdate |
使用自定义函数更新参数 |
例如,更新可学习参数dlnetwork
对象dlnet
使用adamupdate
函数。
[dlnet, trailingAvg trailingAvgSq] = adamupdate (dlnet、渐变...trailingAvg trailingAverageSq,迭代);
梯度
模型的输出是梯度函数,和trailingAvg
,trailingAvgSq
,迭代
是否需要超参数adamupdate
函数。
同样,更新模型函数的可学习参数参数
使用adamupdate
函数。
(参数、trailingAvg trailingAvgSq) = adamupdate(参数、渐变...trailingAvg trailingAverageSq,迭代);
梯度
模型的输出是梯度函数,和trailingAvg
,trailingAvgSq
,迭代
是否需要超参数adamupdate
函数。
当使用自定义训练循环训练深度学习模型时,评估模型梯度并更新每个小批的可学习参数。
此代码片段显示了使用dlfeval
和adamupdate
自定义培训循环中的函数。
迭代= 0;%遍历纪元。为时代= 1:numEpochs%循环小批处理。为i = 1:numIterationsPerEpoch迭代=迭代+ 1;% mini-batch做好准备。%……%评估模型梯度。[gradients, loss] = dlfeval(@modelGradients, dlX,T);%更新可学习参数。(参数、trailingAvg trailingAvgSq) = adamupdate(参数、渐变...trailingAvg trailingAverageSq,迭代);结束结束
为示例演示如何使用dlnetwork
对象,看到使用自定义训练循环的列车网络.有关如何训练定义为函数的深度学习模型的示例,请参见使用模型函数的列车网络.
如果模型梯度函数的实现有问题,则调用dlfeval
可以抛出错误。有时,当你使用dlfeval
函数,则不清楚是哪一行代码抛出了错误。为了帮助定位错误,您可以尝试以下方法。
尝试直接调用模型gradient函数(也就是说,不使用dlfeval
函数),并生成预期大小的输入。如果任何代码行抛出错误,则错误消息将提供额外的详细信息。注意,当你不使用dlfeval
函数的任何调用dlgradient
函数抛出错误。
%生成图像输入数据。X = rand([28 28 1 100],“单一”);dlX = dlarray (dlX);%生成一个热编码的目标数据。T = repmat(眼睛(10,“单一”), 10 [1]);[gradients, loss] = modelGradients(dlnet,dlX,T);
使用生成的预期大小的输入手动运行模型gradient函数内的代码,并检查输出和任何抛出的错误消息。
例如,考虑下面的模型梯度函数。
函数[gradients, loss] = modelGradients(dlnet, dlX, T)%通过dlnetwork对象转发数据。海底=前进(dlnet dlX);%计算损失。损失= crossentropy(海底,T);%计算梯度。梯度= dlgradient(损失、dlnet);结束
运行以下代码检查模型梯度函数。
%生成图像输入数据。X = rand([28 28 1 100],“单一”);dlX = dlarray (dlX);%生成一个热编码的目标数据。T = repmat(眼睛(10,“单一”), 10 [1]);%检查forward pass。海底=前进(dlnet dlX);检查损失计算。损失= crossentropy (dlX, T)