定义度量函数

在内置的训练实验中添加一个度量函数。

1.在实验窗格中,在指标,点击添加．

2.在增加指标对话框，输入指标函数的名称并单击好吧．如果您输入项目中已经存在的函数的名称，实验管理器将其添加到实验中。否则，实验管理器将创建一个由默认模板定义的函数。

3.选择度量函数的名称并单击编辑．度量函数在MATLAB®编辑器中打开。

指标函数的输入是一个带有三个字段的结构:

自定义度量函数的输出必须是标量、逻辑值或字符串。

开放实验

首先，打开示例。实验管理器加载一个带有预先配置的实验的项目，您可以检查并运行该实验。要开实验，在中实验的浏览器窗格中，双击实验的名称(ClassificationExperiment）.

内置的训练实验包括一个描述、一个超参数表、一个设置函数和一组度量函数来评估实验的结果。有关更多信息，请参见内置训练实验配置．

的描述字段包含实验的文本描述。对于本例，描述如下:

数字分类，通过使用度量函数评估结果:—OnesAsSevens返回错误分类为7s的1的百分比。—SevensAsOnes返回7s误分类为1的百分比。

的Hyperparameters节指定策略(详尽的扫描)和实验使用的超参数值。当您运行实验时，实验管理器使用超参数表中指定的每一个超参数值组合来训练网络。本例中使用超级参数InitialLearnRate和动力．

的设置函数配置实验的训练数据、网络架构和训练选项。检查设置功能，在设置函数,点击编辑．设置函数在MATLAB编辑器中打开。

在这个例子中，setup函数有三个部分。

的指标节指定评估实验结果的可选函数。实验管理器每次完成网络训练后都会对这些功能进行评估。要检查度量函数，请选择度量函数的名称并单击编辑．度量函数在MATLAB编辑器中打开。

这个例子包括两个度量函数。

这些函数都使用经过训练的网络来对整个Digits数据集进行分类。然后，这些函数确定实际标签和预测标签不一致的图像数量。例如，函数OnesAsSevens计算具有实际标签的图像数量' 1 '以及一个预测的标签“7”．

函数metricOutput = SevensAsOnes (trialInfo)

actualValue =“7”;predValue =' 1 ';

网= trialInfo.trainedNetwork;

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

YActual = imds.Labels;YPred =分类(净、imd);

K = sum(YActual == actualValue & YPred == predValue);N = sum(YActual ==实际值);

metricOutput = 100 * K / N;

结束

同样地,函数SevensAsOnes计算具有实际标签的图像数量“7”以及一个预测的标签' 1 '．

运行实验

当您运行实验时，实验管理器训练由设置函数定义的网络六次。每次试验都使用不同的超参数值组合。默认情况下，实验管理器每次运行一个试验。如果您有Parallel Computing Toolbox™，您可以同时运行多个试验。为了获得最佳结果，在运行实验之前，请启动一个具有与gpu相同数量的worker的并行池。有关更多信息，请参见使用实验管理器并行训练网络和GPU支金宝app持版本(并行计算工具箱)．

结果表显示了每一次试验的度量函数值。

评估结果

为了找到你的实验的最佳结果，对结果表进行分类。例如，找到错误分类次数最少的试验。

类似地，通过打开下拉菜单找到错误分类7个数最小的试验SevensAsOnes列和选择按升序排序．

如果没有一个试验同时最小化两个度量函数，考虑优先考虑对每个度量都排名好的试验。例如，在这些结果中，对于每个度量函数，试验6具有第二小的值。

要记录对实验结果的观察，请添加注释。

有关更多信息，请参见排序，过滤和注释实验结果．

关闭实验

在实验的浏览器窗格中，右键单击项目的名称并选择关闭项目．实验管理器关闭项目中包含的所有实验和结果。