在深度学习工具箱™中,您可以定义具有多个输入的网络架构(例如,在多个源和数据类型上培训的网络)或多个输出(例如,预测分类和回归响应的网络)。
当网络需要来自多个源或不同格式时,在具有多个输入的网络定义网络。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
要定义和培训具有多个输入的深度学习网络,请使用a指定网络架构分层图
物体和火车使用Trainnetwork.
使用数据存储区输入。
要使用具有多个输入图层的网络的数据存储,请使用结合
和转变
函数创建输出单元数组的数据存储(numinputs.
+ 1)列,在哪里numinputs.
是网络输入的数量。在这种情况下,第一个numinputs.
列为每个输入指定预测器,最后一列指定响应。输入的顺序由输入名称
层图的属性层数
。
提示
如果网络还有多个输出,那么您必须使用自定义训练循环。有关更多信息,请参阅多输出网络。
要在具有多个输入的培训的深度学习网络上进行预测,请使用预测
或者分类
功能。使用以下之一指定多个输入:
ConventDatastore.
目的
变换adatastore.
目的
多个数字阵列
定义具有多个输出的网络,用于需要不同格式的多个响应的任务。例如,需要基本和数字输出的任务。
要使用多个输出训练深度学习网络,请使用自定义训练循环。例如,看到带多个输出的火车网络。
要使用模型功能进行预测,请使用培训的参数直接使用模型函数。例如,看到使用模型功能进行预测。
或者,将模型函数转换为aDagnetwork.
对象使用汇编
功能。使用组装网络,您可以:
例如,看到组装多输出网络以进行预测。