并行列车深入学习网络
此示例显示如何在本地计算机上运行多个深度学习实验。使用此示例作为模板，您可以修改网络图层和培训选项以满足您的特定应用程序需求。您可以使用单个或多个GPU使用此方法。如果您有一个GPU，则网络在后台之后的网络训练。此示例中的方法使您可以继续使用MATLAB®而深入学习实验正在进行中。
作为替代方案，您可以使用实验经理以互动地捕获多个深网络并行。有关更多信息，请参阅使用实验经理并行培训网络。
准备数据集
在您可以运行该示例之前，必须访问深度学习数据集的本地副本。此示例使用具有从0到9的数字的合成图像设置的数据集。在以下代码中，将位置更改为指向数据集。
dataseTlocation = fullfile（matlabroot，'工具箱'那'nnet'那......'nndemos'那'nndatasets'那'digitdataset'）;
如果要使用更多资源运行实验，则可以在云中的群集中运行此示例。
将数据上传到Amazon S3存储桶。例如，看到将深度学习数据上传到云端（并行计算工具箱）。
创建云群集。在MATLAB中，您可以直接从MATLAB桌面创建云中的群集。有关更多信息，请参阅创建云集群（并行计算工具箱）。
选择云群作为默认值家标签，在环境部分，选择平行>选择默认群集。
加载数据集
使用a使用一个加载数据集imageageAtastore.目的。将数据拆分为培训，验证和测试集。
imds = imageageataStore（DataSetLocation，......'insertumbfolders'，真的，......'labelsource'那'foldernames'）;[IMDStrain，IMDSValidation，IMDSTEST] = SpliteachLabel（IMDS，0.8,0.1）;
要使用增强图像数据训练网络，请创建一个AugmentedimageGedataStore.。使用随机翻译和水平反射。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。
图像= [28 28 1];PIXELRANGE = [-4 4];imageaugmenter = imagedataAugmenter（......'randxreflection'，真的，......'randxtranslation'，pixelrange，......'randytranslation'，pixelrange）;Augmentedimdstrain = AugmentedimageGedataStore（图像化，IMDstrain，......'dataaugmentation'，imageaugmender）;
并行列车网络
开始一个平行的池，与GPU一样多的工人。您可以使用使用方法查看可用GPU的数量gpudeviceCount.（并行计算工具箱）功能。Matlab为每个工人分配不同的GPU。默认，parpool.使用默认的群集配置文件。如果您没有更改默认值，则是当地的。此示例使用具有2个GPU的机器运行。
numgpus = gpudevicecount（“可用的”）;parpool（numgpus）;
使用“本地”配置文件启动并行池（Parpool）连接到并行池（工人数量：2）。
要在培训期间从工人发送培训进度信息，请使用aparallel.pool.dataqueue.（并行计算工具箱）目的。要了解有关如何在培训期间使用数据队列获得反馈的更多信息，请参阅示例使用Parfeval培训多个深入学习网络（并行计算工具箱）。
datauqueue = parallel.pool.dataqueue;
定义网络层和培训选项。对于代码可读性，您可以在返回多个网络架构和培训选项的单独函数中定义它们。在这种情况下，NetworkLayersAndOptions.返回网络图层的单元格数组和相同长度的培训选项数组。在Matlab中打开此示例，然后单击NetworkLayersAndOptions.打开支持功能金宝appNetworkLayersAndOptions.。粘贴自己的网络层和选项。该文件包含示例培训选项，显示如何使用输出功能向数据队列发送信息。
[layerscell，选项] = networklayersandoptions（AugmentedImdstrain，IMDSValidation，DataQueue）;
准备培训进度图，并在每个工人向队列发送数据后，设置回调函数以更新这些绘图。练习产和更新平面图为此示例金宝app支持功能。
Handles =练习册（Numel（Layerscell））;
SulteAled（DataQueue，@（数据）updateplots（句柄，数据））;
要持有计算结果，并行工作人员，请使用未来的对象。为每次培训的结果预先释放一系列未来对象。
训练文件（1：Numel（Layerscell））=并行.FevalFuture;
通过使用a循环通过网络层和选项为了循环，并使用Parfeval.（并行计算工具箱）在并行工作者训练网络。请求两个输出参数Trainnetwork.， 指定2作为第二个输入论点Parfeval.。
为了i = 1：numel（layerscell）培训future（i）= parfeval（@ trainnetwork，2，augmentedimdstrain，layerscell {i}，选项（i））;结尾
Parfeval.不阻止MATLAB，因此您可以在计算发生时继续工作。
要获取未来对象的结果，请使用fetchOutputs.功能。对于此示例，获取培训的网络及其培训信息。fetchOutputs.阻止MATLAB，直到结果可用。这一步可能需要几分钟。
[网络，TrainingInfo] = fetchOutputs（培训财务）;
使用磁盘将结果保存到磁盘保存功能。稍后再加载结果，请使用加载功能。用Sprintf.和约会时间使用当前日期和时间命名文件。
filename = sprintf（'实验 - ％s'，约会时间（'现在'那'格式'那'yyyymmdd''t''hmmss'））;保存（filename，'网络'那'trainingInfo'）;
绘图结果
网络完成培训后，通过使用信息策略他们的培训进度TrainingInfo.。
使用子点分配每个网络的不同图。对于此示例，使用第一行汇位来绘制训练准确性，以及验证精度以及验证准确性。
数字（'单位'那'标准化'那'位置'，[0.1 0.1 0.6 0.6]）;标题（'培训进展情节'）;为了i = 1：numel（layerscell）子图（2，numel（layerscell），i）;抓住上;网格上;ylim（[0 100]）;iterationsperepoch = bloce（augmentedimdstrain.numobservations /选项（i）.minibatchsize）;epoch =（1：numel（traininginfo（i）.trainingaguracy）/ iterationsperepoch;绘图（纪念，培训税文件（i）.TrainingAccuracy）;情节（时代，TrainingInfo（i）.ValidationAccuracy，'.k'那'Markersize'，10）;结尾子图（2，Numel（Layerscell），1），Ylabel（'准确性'）;
然后，使用第二行的子图来绘制训练损失与epoch的数量以及验证损失。
为了i = 1：numel（talterscell）子图（2，numel（layerscell），numel（layerscell）+ i）;抓住上;网格上;ylim（[0 max（traininginfo.trainingloss]）;iterationsperepoch = bloce（augmentedimdstrain.numobservations /选项（i）.minibatchsize）;epoch =（1：numel（traininginfo（i）.trainingaguracy）/ iterationsperepoch;绘图（时代，TrainingInfo（i）.Tringloss）;情节（epoch，traininginfo（i）.validationloss，'.k'那'Markersize'，10）;Xlabel（'时代'）;结尾子图（2，numel（layerscell），numel（layerscell）+1），ylabel（'失利'）;
选择网络后，可以使用分类并在测试数据上获得其准确性IMDSTEST.。
也可以看看
AugmentedimageGedataStore.|实验经理|imageageAtastore.|培训选项|Trainnetwork.|fetchOutputs.（并行计算工具箱）|Parfeval.（并行计算工具箱）
相关例子
- 使用自动多GPU支持列车网络金宝app（并行计算工具箱）
- 使用Parfeval培训多个深入学习网络（并行计算工具箱）
- 使用实验经理并行培训网络
更多关于
您还可以从以下列表中选择一个网站：
