使用parfor培训多个深度学习网络
这个例子展示了如何使用帕弗循环对训练选项执行参数扫描。
深度学习训练通常需要几个小时或几天的时间，寻找好的训练选择可能会很困难。使用并行计算，您可以加快并自动搜索好的模型。如果您可以访问具有多个图形处理单元(gpu)的机器，则可以使用本地parpool在数据集的本地副本上完成本示例。如果您想使用更多资源，可以将深度学习培训扩展到云。这个例子展示了如何使用parfor循环对训练选项执行参数扫描MiniBatchSize在云中的集群中。您可以修改脚本以在任何其他培训选项上执行参数扫描。此外，此示例还显示了如何在使用数据队列．您还可以将脚本作为批处理作业发送到集群，这样您就可以继续工作或关闭MATLAB并在稍后获取结果。有关更多信息，请参见发送深度学习批作业到集群（深度学习工具箱）．
需求
在运行此示例之前，需要配置集群并将数据上传到云。在MATLAB中，您可以直接从MATLAB桌面在云中创建集群。在首页选项卡,平行菜单中,选择创建和管理集群．在集群配置文件管理器中，单击创建云集群．或者，您可以使用MathWorks Cloud Center来创建和访问计算集群。有关更多信息，请参见云中心入门．对于本例，请确保在MATLAB中将集群设置为默认值首页选项卡,在平行>选择一个默认集群．之后，将数据上传到Amazon S3桶，并直接从MATLAB使用它。本示例使用已经存储在Amazon S3中的CIFAR-10数据集的副本。说明,请参阅将深度学习数据上传到云端（深度学习工具箱）．
从云加载数据集
使用从云中加载训练和测试数据集imageDatastore. 将训练数据集拆分为训练集和验证集，并保留测试数据集以测试参数扫描中的最佳网络。在本例中，您使用存储在AmazonS3中的CIFAR-10数据集的副本。为了确保工作人员能够访问云中的数据存储，请确保AWS凭据的环境变量设置正确。看见将深度学习数据上传到云端（深度学习工具箱）．
imds=图像数据存储(“s3://cifar10cloud/cifar10/train”,...“IncludeSubfolders”是的，...“LabelSource”,“foldernames”）;imdsTest = imageDatastore (s3: / / cifar10cloud / cifar10 /测试”,...“IncludeSubfolders”是的，...“LabelSource”,“foldernames”）;[imdsTrain, imdsValidation] = splitEachLabel (imd, 0.9);
通过创建一个augmentedImageDatastore对象。使用随机平移和水平反射。数据增强有助于防止网络过度拟合和记忆训练图像的确切细节。
imageSize=[32 32 3]；pixelRange=[-4]；imageAugmenter=imageDataAugmenter(...“RandXReflection”是的，...“RandXTranslation”，像素范围，...“RandYTranslation”, pixelRange);imdsTrain augmentedImdsTrain = augmentedImageDatastore(图象尺寸,...“数据增强”imageAugmenter,...“OutputSizeMode”,“randcrop”）;
定义网络架构
为CIFAR-10数据集定义一个网络架构。为了简化代码，可以使用卷积块对输入进行卷积。池化层向下采样空间维度。
imageSize = [32 32 3];netDepth = 2;%netDepth控制卷积块的深度netWidth=16；%netWidth控制卷积块中的滤波器数量layers=[imageInputLayer（imageSize）卷积块（netWidth，netDepth）MaxPoolig2dLayer（2，“大步走”2) convolutionalBlock (2 * netWidth netDepth) maxPooling2dLayer (2“大步走”，2）卷积块（4*netWidth，netDepth）平均池2层（8）完全连接层（10）softmaxLayer分类层]；
同时训练多个网络
指定要执行参数扫描的小批处理大小。为结果网络和准确性分配变量。
minibatchsize = [64 128 256 512];numMiniBatchSizes =元素个数(miniBatchSizes);trainedNetworks =细胞(numMiniBatchSizes, 1);精度= 0 (numMiniBatchSizes, 1);
执行并行参数扫描，在一个网络中训练多个网络帕弗循环和改变小批量的大小。集群中的工作人员同时对网络进行训练，并在训练完成后将训练后的网络和准确性发送回来。如果您想检查训练是否有效，请设置详细的到真正的在培训选项中。注意，工人是独立计算的，因此命令行输出与迭代的顺序不同。
帕弗idx = 1: numminibatchsize minbatchsize = minbatchsize (idx);initialLearnRate = 1e-1 * miniBatchSize/256;%根据小批量大小缩放学习率。%定义培训选项。设置最小批量大小。选择= trainingOptions (“个”,...“MiniBatchSize”miniBatchSize,...%在扫描中设置相应的MiniBatchSize。“详细”假的,...%不发送命令行输出。“InitialLearnRate”，initialLearnRate，...%设置比例学习率。“L2规范化”1平台以及...“MaxEpochs”30岁的...“洗牌”,“every-epoch”,...“ValidationData”，imdsValidation，...“LearnRateSchedule”,“分段”,...“LearnRateDropFactor”,0.1,...“LearnRateDropPeriod”,25);%在集群的一个worker中训练网络。网= trainNetwork (augmentedImdsTrain层,选项);%要获得该网络的精度，请使用经过训练的网络%对worker上的验证图像进行分类，并将预测的标签与%实际标签。YPredicted=分类（净，imdsValidation）；准确度（idx）=总和（YPredicted==imdsValidation.Labels）/numel（imdsValidation.Labels）；%将经过培训的网络发送回客户机。trainedNetworks {idx} =净;结束
使用myclusterincloud配置文件启动并行池(parpool)…连接到并行池(工作人员数量:4)。
之后帕弗完成后,培训网络包含工人培训的结果网络。显示培训过的网络及其精度。
培训网络
trainedNetworks =4×1单元阵列{1×1 SeriesNetwork} {1×1 SeriesNetwork} {1×1 SeriesNetwork} {1×1 SeriesNetwork}
精度
精度=4×10.8188 0.8232 0.8162 0.8050
在准确性方面选择最好的网络。根据测试数据集测试其性能。
[~， I] = max(精度);bestNetwork = trainedNetworks{我(1)};YPredicted =分类(bestNetwork imdsTest);精度= sum(YPredicted == imdsTest.Labels)/numel(imdsTest.Labels)
精度= 0.8173
在培训期间发送反馈数据
准备并初始化显示每个工人培训进度的图表。使用动画线以方便地显示更改的数据。
f =图;f.Visible = true;为i = 1:4次要情节(2,2,我)包含(“迭代”)；伊莱贝尔(“训练准确性”)；线（i）=动画线；结束
通过使用，将工人的培训进度数据发送给客户数据队列，然后绘制数据。每次工人发送培训进度反馈时，使用更新图afterEach.参数选择包含关于工作人员、培训迭代和培训准确性的信息。
D=parallel.pool.DataQueue；在每次（D，@（opts）updatePlot（line，opts{:}））之后；
执行一个并行参数扫描训练几个网络在一个parfor循环不同的小批量大小。注意OutputFcn在培训选项中，在每次迭代中将培训进度发送给客户。该图显示了执行以下代码期间四个不同工作人员的培训进度。
帕弗idx=1:numel（miniBatchSize）miniBatchSize=miniBatchSize（idx）；initialLearnRate=1e-1*miniBatchSize/256；%根据miniBatchSize缩放学习率。确定培训选项。设置一个输出函数来发送回数据%在每次迭代中向客户机发送消息。选择= trainingOptions (“个”,...“MiniBatchSize”miniBatchSize,...%在扫描中设置相应的MiniBatchSize。“详细”假的,...%不发送命令行输出。“InitialLearnRate”，initialLearnRate，...%设置比例学习率。“OutputFcn”，@（州）发送培训进度（D、idx、州），...%设置输出函数，将中间结果发送到客户端。“L2规范化”1平台以及...“MaxEpochs”30岁的...“洗牌”,“every-epoch”,...“ValidationData”，imdsValidation，...“LearnRateSchedule”,“分段”,...“LearnRateDropFactor”,0.1,...“LearnRateDropPeriod”,25);%在群集中的工人中培训网络。工人发送%向客户提供培训过程中的培训进度信息。网= trainNetwork (augmentedImdsTrain层,选项);%要获得该网络的精度，请使用经过训练的网络%对worker上的验证图像进行分类，并将预测的标签与%实际标签。YPredicted=分类（净，imdsValidation）；准确度（idx）=总和（YPredicted==imdsValidation.Labels）/numel（imdsValidation.Labels）；%将经过培训的网络发送回客户机。trainedNetworks {idx} =净;结束
分析并将文件传输给工人…完成。
之后帕弗完成后,培训网络包含工人培训的结果网络。显示培训过的网络及其精度。
培训网络
trainedNetworks =4×1单元阵列{1×1 SeriesNetwork} {1×1 SeriesNetwork} {1×1 SeriesNetwork} {1×1 SeriesNetwork}
精度
精度=4×10.8214 0.8172 0.8132 0.8084
在准确性方面选择最好的网络。根据测试数据集测试其性能。
[~， I] = max(精度);bestNetwork = trainedNetworks{我(1)};YPredicted =分类(bestNetwork imdsTest);精度= sum(YPredicted == imdsTest.Labels)/numel(imdsTest.Labels)
精度= 0.8187
辅助函数
定义在网络体系结构中创建卷积块的函数。
函数层=卷积块（numFilters，numConvLayers）层=[卷积2dlayer（3，numFilters，“填充”,“相同”) batchNormalizationLayer reluLayer];层= repmat(层numConvLayers 1);结束
定义一个函数，通过该函数向客户发送培训进度数据队列．
函数sendTrainingProgress (D, idx信息)如果信息。状态= =“迭代”发送(D, {idx、info.Iteration info.TrainingAccuracy});结束结束
定义一个更新函数，以便在工作人员发送中间结果时更新绘图。
函数updatePlot（lines，idx，iter，acc）添加点（lines（idx），iter，acc）；drawnowlimitratenocallbacks结束
另见
imageDatastore|parallel.pool.DataQueue|trainNetwork（深度学习工具箱）
相关实例
更多关于
你也可以从以下列表中选择一个网站:
