用嵌套层列车深入学习网络
此示例显示如何使用嵌套图层训练网络。
要创建自定义图层，本身定义了图层图，可以指定一个dlnetwork.对象作为可学习参数。这种方法被称为网络组成．您可以使用网络构图：
创建单个自定义层，其表示可被动层块，例如剩余块。
使用控制流创建网络。例如，具有可以根据输入数据动态地改变的部分的网络。
创建一个有循环的网络。例如，具有将输出反馈回自身的部分的网络。
有关更多信息，请参阅深度学习网络组成．
这个例子展示了如何使用代表剩余块的定制层来训练网络，每个层包含多个卷积、分组归一化和带有跳过连接的ReLU层。以获取如何创建残留网络的示例没有使用自定义层，参见火车剩余网络进行图像分类．
残差连接是卷积神经网络结构中的一个流行元素。残留网络是指绕过主网络层的残留(或捷径)连接的网络。使用剩余连接改善了网络的梯度流，并使训练更深层次的网络成为可能。这种增加的网络深度可以在更困难的任务中产生更高的准确性。
此示例使用自定义图层ResidualblockLayer.，它包含一个可学习的层块，由卷积层、组归一化层、ReLU层和加法层组成，还包括一个跳过连接以及在跳过连接中可选的卷积层和组归一化层。此图突出显示了残余块结构。
有关如何创建自定义图层的示例ResidualblockLayer.,请参阅定义嵌套深度学习层．
准备数据
下载并提取花朵数据集[1]。
URL =.'http://download.tensorflow.org/example_images/flower_photos.tgz';downloadfolder = tempdir;filename = fullfile（downloadFolder，'flower_dataset.tgz'）;imagefolder = fullfile（downloadFolder，'flower_photos'）;如果~存在(imageFolder'dir'）disp（'下载鲜花数据集（218 MB）......'）Websave（Filename，URL）;Untar（文件名，DownloadFolder）结尾
创建包含照片的图像数据存储。
datasetFolder = fullfile (imageFolder);imd = imageDatastore (datasetFolder,．..'insertumbfolders',真的,．..'labelsource'，“foldernames”）;
将数据划分为训练和验证数据集。使用70%的图像进行训练，30%的图像进行验证。
[IMDStrain，IMDSValidation] = SpliteachLabel（IMDS，0.7，'随机'）;
查看数据集的类数。
Classes =类别（IMDS.Labels）;numclasses = numel（类）
numClasses = 5
数据增强有助于防止网络过度接收和记忆培训图像的确切细节。调整大小并增强图像以使用imageDataAugmenter目的：
随机反映垂直轴中的图像。
随机翻译图像高达30像素垂直和水平。
将图像随机旋转至45度，逆时针方向。
随机将图像随机和水平垂直和水平缩放。
pixelRange = [-30 30];scaleRange = [0.9 1.1];imageAugmenter = imageDataAugmenter (．..'randxreflection',真的,．..'randxtranslation'pixelRange,．..'randytranslation'pixelRange,．..'randroatation'，[ - 45 45]，．..'randxscale'scaleRange,．..'randyscale'，scalerange）;
使用图像数据增强器创建包含训练数据的增强图像数据存储。若要自动将图像调整为网络输入大小，请指定网络输入大小的高度和宽度。这个例子使用了一个具有输入大小的网络[224 224 3]．
InputSize = [224 224 3];Augimdstrain = AugmentedimageGedataStore（Inputsize（1：2），IMDstrain，“DataAugmentation”，imageaugmender）;
要自动调整验证图像的大小而不执行进一步的数据增强，请使用增强图像数据存储，而无需指定任何其他预处理操作。
AugimdsValidation = AugmentedimageDataStore（[224 224]，IMDSValidation）;
定义网络架构
使用自定义层定义具有六个残差块的剩余网络ResidualblockLayer.．要访问此图层，请将示例打开为实时脚本。有关显示如何创建此自定义图层的示例，请参阅定义嵌套深度学习层．
因为您必须指定输入层的输入大小dlnetwork.对象，您必须在创建图层时指定输入大小。要帮助确定到图层的输入大小，可以使用分析函数并检查前一层的激活的大小。
numfilters = 32;图层= [ImageInputLayer（InputSize）Convolution2dlayer（7，NumFilters，“步”2，'填充'，'相同的') groupNormalizationLayer ('全频道'）Rubulayer MaxPooling2Dlayer（3，“步”2) residualBlockLayer(numFilters) residualBlockLayer(numFilters) residualBlockLayer(2*numFilters)“步”2，'包括kipconvolution',真正的)residualBlockLayer (2 * numFilters) residualBlockLayer (4 * numFilters,“步”2，'包括kipconvolution'，True）ResideLblockLayer（4 * NumFilters）GlobalaveragePooling2Dlayer全连接层（NumClasses）SoftMaxLayer ClassificationLayer]
图层数组:1”的形象输入224×224×3图片zerocenter正常化2”卷积32 7×7旋转步(2 - 2)和填充“相同”3“集团标准化规范化4”ReLU ReLU 5”麦克斯池3×3马克斯池步(2 - 2)和填充[0 0 0 0]6”残块残块与32个过滤器,step 1 7 " Residual Block Residual Block with 32 filters, stride 1 8 " Residual Block Residual Block with 64 filters, stride 2, and skip convolution 9 " Residual Block Residual Block with 64 filters, stride 1 10 " Residual Block Residual Block with 128 filters, stride 2，12”Global Average Pooling Global Average Pooling全球平均池13”Fully Connected 5 Fully Connected layer 14”Softmax Softmax 15”Classification Output crossentropyex
列车网络的
指定培训选项：
用128个小批量来训练网络。
每个纪元都洗牌数据。
每划次使用验证数据验证一次网络一次。
显示绘图中的训练进度并禁用详细输出。
miniBatchSize = 128;numIterationsPerEpoch =地板(augimdsTrain.NumObservations / miniBatchSize);选择= trainingOptions (“亚当”，．..'minibatchsize'，小匹马，．..'洗牌'，'每个时代'，．..'vightationdata'，augimdsvalidation，．..'验证职业'，numiterationsperepoch，．..“阴谋”，“训练进步”，．..'verbose'，错误的）;
使用培训网络Trainnetwork.功能。默认情况下，Trainnetwork.如果一个可用的GPU，则使用GPU，否则，它使用CPU。GPU培训需要并行计算工具箱™和支持的GPU设备。金宝app有关支持设备的信息，请参阅金宝appGPU通金宝app过发布支持(并行计算工具箱)．属性也可以指定执行环境“ExecutionEnvironment”名称 - 值对参数培训选项．
net = trainnetwork（augimdstrain，图层，选项）;
评估培训的网络
计算网络在训练集(无数据增强)和验证集上的最终精度。准确率是网络正确分类图像的比例。
ypred =分类（net，augimdsvalidation）;yvalidation = imdsvalidation.labels;精度=均值（ypred == yvalidation）
精度= 0.7230
在混乱矩阵中可视化分类精度。使用列和行摘要显示每个类的精度并回忆。
Figure ConfusionChart（YValidation，Ypred，．..'rowsmumary'，'行标准化'，．..'placeSummary'，“column-normalized”）;
您可以使用以下代码显示具有预测标签的四个样本验证图像，以及具有这些标签的图像的预测概率。
idx = randperm（numel（imdsvalidation.files），4）;数字为了i = 1：4子图（2,2，i）i = ReadImage（IMDSValidation，IDX（I））;imshow（i）标签= ypred（idx（i））;标题（“预测的课程：”+字符串(标签));结尾
参考
另请参阅
相关话题
您还可以从以下列表中选择一个网站：
