主要内容

为回归创建一个深入的学习实验

这个例子说明如何使用训练了深刻的学习网络回归实验管理器. 在本例中,使用回归模型预测手写数字的旋转角度。自定义度量函数确定角度预测与真实角度之间在可接受误差范围内的分数。有关使用回归模型的详细信息,请参见火车卷积神经网络的回归.

开放实验

首先,打开示例。“实验管理器”加载带有预配置实验的项目,您可以检查并运行该实验。要打开实验,请在实验浏览器窗格中,双击该实验的名称(RegressionExperiment)。

内置训练实验包括描述、超参数表、设置函数和用于评估实验结果的度量函数集合。有关详细信息,请参阅配置内置培训实验.

这个描述字段包含实验的文本描述。对于本例,说明如下:

回归模型来预测的数字旋转的角度,采用超参数指定: - 由所述卷积层中使用过滤器的数量 - 漏失层的网络中的概率

这个超参数部分指定的策略(彻底扫除)和超参数值以用于实验。当您运行实验,实验管理训练用的超参数表中指定超参数值的每个组合的网络。此示例使用两个超参数:

  • 可能性设置神经网络中退出层的概率。默认情况下,此超参数的值指定为[0.1 0.2].

  • 过滤器表示的神经网络中使用的第一层卷积滤波器的数量。在随后的卷积层的过滤器的数量是这样的值的倍数。默认情况下,这个超参数的值被指定为[4 6 8].

这个设置功能配置训练数据,网络架构,并为实验实训选项。要检查设置功能,下设置功能, 点击编辑.设置功能在MATLAB®编辑器中打开。

设置函数的输入是一个结构,其中包含hyperparameter表中的字段。setup函数返回四个输出,用于训练网络解决图像回归问题。设置功能有三个部分。

  • 负荷训练数据限定用于实验4- d阵列的训练和验证数据。所述训练和验证数据组,每组包含的数字图像5000从0到9的回归值分别对应于的数字旋转的角度。

  • 定义网络架构定义了用于回归卷积神经网络的体系结构。

  • 指定培训选项定义培训选项实验对象。该示例将网络训练30个时代。学习率最初为0.001,20个时代后下降0.1倍。软件根据训练数据对网络进行训练,并在训练期间定期计算均方根误差(RMSE)和验证数据的损失。验证数据不用于更新网络权重。

这个韵律学第节指定用于评估实验结果的可选函数。每次完成网络培训时,实验管理器都会评估这些功能。要检查度量函数,请选择度量函数的名称并单击编辑.度量功能的MATLAB编辑器中打开。

这个例子包括一个度量函数准确性确定角预测的与真实的角度可接受的误差容限内的百分比。默认情况下,该函数使用的10度的阈值。

运行试验

运行实验时,实验管理器将对设置函数定义的网络进行六次训练。每个试验使用不同的超参数值组合。默认情况下,实验管理器一次运行一个试验。如果你有并行计算工具箱™, 您可以同时运行多个试用。为了获得最佳结果,在运行实验之前,启动一个并行池,让GPU中的工作线程数量达到GPU的数量。有关详细信息,请参阅使用实验经理列车网络并行GPU通金宝app过发布支持(并行计算工具箱).

  • 要在时间上的实验管理器工具条运行实验的一项试验中,单击.

  • 要同时运行多个试用,请单击使用并行进而. 如果当前没有并行池,实验管理器将使用默认集群配置文件启动一个并行池。然后,实验管理器根据可用的并行工作者数量同时执行多个试验。

结果的表显示每个试验中RMSE和损失。该表还显示了试验的准确性,如由自定义指标函数确定准确性.

虽然在实验运行,单击训练区显示训练情节和跟踪每个试验的进展情况。

评估结果

要找到实验的最佳结果,请按精度对结果表进行排序。

  1. 指向准确性

  2. 点击三角图标。

  3. 选择按降序排序.

精度最高的实验显示在结果列表的顶部。

要测试单个试验的性能,请导出经过训练的网络,并显示每个数字类别的残差方框图。

  1. 选择精度最高的试验。

  2. 实验管理器工具条,单击出口.

  3. 在对话框窗口中,输入导出网络的工作空间变量的名称。默认名称为trainedNetwork.

  4. 使用导出的网络作为函数的输入plotResiduals.例如,在MATLAB命令窗口,输入:

绘图残差(训练网络)

该函数创建每个数字的剩余箱线图。数字类与精度最高的平均接近零,而且很少变化。

以记录您的实验结果观察,添加注释。

  1. 在结果表中,右键单击准确性最佳审判单元。

  2. 选择添加注释.

  3. 在里面注释窗格中,在文本框中输入观察结果。

有关更多信息,请参阅对实验结果进行排序、筛选和注释.

近距离实验

在里面实验浏览器窗格中,右键单击项目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。

另见

应用程序

功能

相关话题