trainNetwork
为深度学习训练神经网络
语法
描述
对于分类和回归任务，可以使用trainNetwork为图像数据训练卷积神经网络(ConvNet, CNN)，为序列数据训练循环神经网络(RNN)，如长短期记忆(LSTM)或门控循环单元(GRU)网络，或为数字特征数据训练多层感知器(MLP)网络。您可以在CPU或GPU上进行训练。对于图像分类和图像回归，可以使用多个gpu或并行进行训练。使用GPU，多GPU和并行选项需要并行计算工具箱™。要使用GPU进行深度学习，你还必须有一个CUDA®使英伟达®GPU具有3.0或更高的计算能力。若要指定培训选项，包括用于执行环境的选项，请使用trainingOptions函数。
网= trainNetwork (洛桑国际管理发展学院，层，选项）层用于图像分类任务，使用图像数据存储中的图像和标签洛桑国际管理发展学院以及由选项．
网= trainNetwork (资源描述，responseNames，层，选项）资源描述并指定包含响应的表列。
例子
图像分类训练网络
加载数据为ImageDatastore对象。
digitDatasetPath = fullfile(matlabroot，“工具箱”，“nnet”，.．.“nndemos”，“nndatasets”，“DigitDataset”）;imds = imageDatastore(digitDatasetPath，.．.“IncludeSubfolders”,真的,.．.“LabelSource”，“foldernames”）;
数据存储包含10,000个从0到9的数字合成图像。这些图像是通过对使用不同字体创建的数字图像应用随机转换而生成的。每个数字图像是28乘28像素。每个类别的数据存储包含相同数量的图像。
显示数据存储中的一些图像。
figure numImages = 10000;perm = randperm(numImages,20);为I = 1:20 subplot(4,5, I);imshow (imds.Files{烫发(i)});drawnow;结束
对数据存储进行划分，使训练集中的每个类别有750张图像，测试集中有每个标签的剩余图像。
numTrainingFiles = 750;[imdsTrain,imdsTest] = splitEachLabel(imds,numTrainingFiles，“随机”）;
splitEachLabel分割图像文件digitData到两个新的数据存储中，imdsTrain而且imdsTest．
定义卷积神经网络架构。
层= [.．.imageInputLayer([28 28 1]) convolution2dLayer(5,20) reluLayer maxPooling2dLayer(2，“步”，2) fullyConnectedLayer(10) softmaxLayer classificationLayer];
将选项设置为随动量随机梯度下降的默认设置。将最大epoch数设置为20，并以初始学习率0.0001开始训练。
选项= trainingOptions(“个”，.．.“MaxEpochs”, 20岁,.．.“InitialLearnRate”1的军医,.．.“详细”假的,.．.“阴谋”，“训练进步”）;
培训网络。
net = trainNetwork(imdsTrain,layers,options);
在未用于训练网络的测试集上运行训练好的网络，并预测图像标签(数字)。
YPred = category (net,imdsTest);YTest = imdsTest.Labels;
计算精度。准确度是测试数据中与分类相匹配的真实标签的数量之比分类到测试数据中的图像数量。
精度= sum(YPred == YTest)/numel(YTest)
准确度= 0.9420
列车网络与增强图像
使用增强图像数据训练卷积神经网络。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。
加载由手写数字合成图像组成的样本数据。
[XTrain,YTrain] = digitTrain4DArrayData;
digitTrain4DArrayData将数字训练集加载为4-D数组数据。XTrain是一个28 × 28 × 1 × 5000的数组，其中:
28是图像的高度和宽度。
1是通道数。
5000是手写数字合成图像的数目。
YTrain是包含每个观察值的标签的分类向量。
留出1000个图像用于网络验证。
idx = randperm(size(XTrain,4)，1000);XValidation = XTrain(:，:，:，idx);XTrain(:，:，:，idx) = [];YValidation = YTrain(idx);YTrain(idx) = [];
创建一个imageDataAugmenter对象，该对象指定用于图像增强的预处理选项，如调整大小、旋转、平移和反射。随机将图像水平和垂直平移到三个像素，并以20度的角度旋转图像。
imageAugmenter = imageDataAugmenter(.．.“RandRotation”(-20年,20),.．.“RandXTranslation”3 [3],.．.“RandYTranslation”3 [3])
imageAugmenter = imageDataAugmenter with properties: FillValue: 0 RandXReflection: 0 RandYReflection: 0 RandRotation: [-20 20] RandScale: [1 1] RandXScale: [1 1] RandYScale: [1 1] RandXShear: [0 0] RandYShear: [0 0] RandXTranslation: [-3 3] RandYTranslation: [-3 3]
创建一个augmentedImageDatastore对象用于网络训练并指定图像输出大小。在训练期间，数据存储执行图像增强和调整图像大小。数据存储在不将任何图像保存到内存的情况下扩展图像。trainNetwork更新网络参数，然后丢弃增强图像。
imageSize = [28 28 1];augimds = augmentedimagedastore (imageSize,XTrain,YTrain，“DataAugmentation”, imageAugmenter);
指定卷积神经网络架构。
图层= [imageInputLayer(imageSize)卷积2dlayer (3,8，“填充”，“相同”maxPooling2dLayer(2，“步”2) convolution2dLayer(16日“填充”，“相同”maxPooling2dLayer(2，“步”32岁的,2)convolution2dLayer (3“填充”，“相同”batchNormalizationLayer reluLayer fullyConnectedLayer(10) softmaxLayer classificationLayer];
指定带有动量的随机梯度下降的训练选项。
opts = trainingOptions(“个”，.．.“MaxEpochs”15岁的.．.“洗牌”，“every-epoch”，.．.“阴谋”，“训练进步”，.．.“详细”假的,.．.“ValidationData”, {XValidation, YValidation});
培训网络。由于验证图像未被增强，验证精度高于训练精度。
net = trainNetwork(augimds,layers,opts);
图像回归训练网络
加载由手写数字合成图像组成的样本数据。第三个输出包含每个图像旋转的相应角度(以角度为单位)。
使用4-D数组加载训练图像digitTrain4DArrayData．输出XTrain是一个28 × 28 × 1 × 5000的数组，其中:
28是图像的高度和宽度。
1是通道数。
5000是手写数字合成图像的数目。
YTrain包含以度为单位的旋转角度。
[XTrain，~，YTrain] = digitTrain4DArrayData;
显示20个随机训练图像使用imshow．
figure numTrainImages = numel(YTrain);idx = randperm(numTrainImages,20);为i = 1:元素个数(idx)次要情节(4、5、i) imshow (XTrain (:,:,:, idx(我)))drawnow;结束
指定卷积神经网络架构。对于回归问题，在网络的末端包含一个回归层。
层= [.．.imageInputLayer([28 28 1]) convolution2dLayer(12,25) reluLayer fullyConnectedLayer(1) regressionLayer];
指定网络培训选项。将初始学习速率设置为0.001。
选项= trainingOptions(“个”，.．.“InitialLearnRate”, 0.001,.．.“详细”假的,.．.“阴谋”，“训练进步”）;
培训网络。
net = trainNetwork(XTrain,YTrain，图层，选项);
通过评估测试数据的预测精度来测试网络的性能。使用预测预测验证图像的旋转角度。
[XTest，~，YTest] = digitTest4DArrayData;YPred = predict(net,XTest);
通过计算预测和实际旋转角度的均方根误差(RMSE)来评估模型的性能。
rmse =√(mean(YTest - YPred).^2))
rmse =单6.0356
序列分类训练网络
训练深度学习LSTM网络进行序列到标签分类。
按照[1]和[2]中的描述加载Japanese Vowels数据集。XTrain是包含270个不同长度序列的单元阵列，其中12个特征对应于LPC倒谱系数。Y是标签1,2，…，9的分类向量。中的条目XTrain是有12行(每个特征一行)和不同数量列(每个时间步骤一列)的矩阵。
[XTrain,YTrain] =日本evowelstraindata;
把第一个时间序列想象成一个图形。每一行对应一个特征。
图形图(XTrain{1}')“训练观察1”) numFeatures = size(XTrain{1}，1);传奇(“特性”+字符串(1:numFeatures),“位置”，“northeastoutside”）
定义LSTM网络体系结构。将输入大小指定为12(输入数据的特征数量)。指定一个LSTM层有100个隐藏单元，并输出序列的最后一个元素。最后，指定9个类，包括大小为9的全连接层，然后是softmax层和分类层。
inputSize = 12;numHiddenUnits = 100;numClasses = 9;层= [.．.sequenceInputLayer inputSize lstmLayer (numHiddenUnits,“OutputMode”，“最后一次”fullyConnectedLayer(numClasses) softmaxLayer classificationLayer
layers = 5×1带有图层的层数组:1 " Sequence Input 12维序列输入2 " LSTM LSTM带有100个隐藏单元3 "全连接9全连接层4 " Softmax Softmax 5 " Classification Output crossentropyex
指定培训选项。指定求解器为“亚当”而且“GradientThreshold”为1。将mini-batch大小设置为27，并将最大epoch数设置为70。
因为迷你批的数量小，序列短，所以CPU更适合训练。集“ExecutionEnvironment”来“cpu”．要在GPU上训练，如果可用，请设置“ExecutionEnvironment”来“汽车”(默认值)。
maxEpochs = 70;miniBatchSize = 27;选项= trainingOptions(“亚当”，.．.“ExecutionEnvironment”，“cpu”，.．.“MaxEpochs”maxEpochs,.．.“MiniBatchSize”miniBatchSize,.．.“GradientThreshold”，1，.．.“详细”假的,.．.“阴谋”，“训练进步”）;
使用指定的培训选项对LSTM网络进行培训。
net = trainNetwork(XTrain,YTrain，图层，选项);
加载测试集并将序列分类到扬声器中。
[XTest,YTest] =日本evowelstestdata;
分类测试数据。指定用于训练的相同的小批大小。
YPred = category (net,XTest，“MiniBatchSize”, miniBatchSize);
计算预测的分类精度。
acc = sum(YPred == YTest)./ nummel (YTest)
Acc = 0.9514
具有数字特征的列车网络
如果你有一个数字特征的数据集(例如，一个没有空间或时间维度的数字数据集合)，那么你可以使用特征输入层训练深度学习网络。
从CSV文件中读取传输套管数据“transmissionCasingData.csv”．
文件名=“transmissionCasingData.csv”；TBL =可读(文件名，“TextType”，“字符串”）;
属性将预测标签转换为分类标签convertvars函数。
labelName =“GearToothCondition”；tbl = convertvars(tbl,labelName，“分类”）;
要使用分类特征训练网络，首先必须将分类特征转换为数字。方法将类别预测符转换为类别预测符convertvars通过指定包含所有类别输入变量名称的字符串数组来实现。在这个数据集中，有两个带有名称的分类特征“SensorCondition”而且“ShaftCondition”．
categoricalInputNames = [“SensorCondition”“ShaftCondition”];tbl = convertvars(tbl,categoricalInputNames，“分类”）;
遍历分类输入变量。对于每个变量:
类将类别值转换为单热编码向量
onehotencode函数。函数将单热向量添加到表中
addvars函数。指定将向量插入到包含相应类别数据的列之后。删除包含类别数据的相应列。
为i = 1:numel(categoricalInputNames) name = categoricalInputNames(i);Oh = onehotencode(tbl(:，name));TBL = addvars(TBL，哦，“后”、名称);Tbl (:，name) = [];结束
方法将向量拆分为单独的列splitvars函数。
TBL =分裂(TBL);
查看表的前几行。请注意，类别预测符已被分割为多个列，其中类别值作为变量名。
头(台)
ans =表8×23SigMean SigMedian SigRMS SigVar SigPeak SigPeak2Peak SigSkewness SigKurtosis SigCrestFactor SigMAD SigRangeCumSum SigCorrDimension SigApproxEntropy SigLyapExponent PeakFreq HighFreqPower EnvPower PeakSpecKurtosis没有传感器漂移传感器漂移没有轴穿轴穿GearToothCondition ________ _________ ______ _______ _______ ____________ ___________ ___________ ______________ _______ ______________ ________________ ________________ _______________ ________ _____________ ________________________ _______________ ____________ _____________ __________ __________________ -0.94876 -0.9722 1.3726 0.98387 0.81571 3.6314 -0.041525 2.2666 2.0514 0.8081 28562 1.1429 0.031581 79.931 0 6.75e-06 3.23e-07 162.13 01 10无齿故障-0.97537 -0.98958 1.3937 0.99105 0.81571 3.6314 -0.023777 2.2598 2.0203 0.81017 29418 1.1362 0.037835 70.325 0 5.08e-08 9.16e-08 226.12 01 10无齿故障1.0502 1.0267 1.4449 0.98491 3.6314 -0.04162 2.2658 1.9487 0.80853 31710 1.14790.031565 - 125.19 6.74 2.85 e-06 e-07 162.13 0 1 0 1没有牙齿错1.0227 1.0045 1.4288 0.99553 2.8157 3.6314 -0.016356 2.2483 1.9707 0.81324 30984 1.1472 0.032088 112.5 4.99 e-06 2.4 e-07 162.13 0 1 0 1没有牙齿错1.0123 1.0024 1.4202 0.99233 2.8157 3.6314 -0.014701 2.2542 1.9826 0.81156 30661 1.1469 0.03287 108.86 3.62 e-06 2.28 e-07 230.39 0 1 0 1没有牙齿错1.0275 1.0102 1.4338 1.0001 2.8157 3.6314 -0.02659 2.2439 1.9638 1.65 0.81589 1.0985 0.033427 64.576 31102 0 2.55 e-06 e-07 230.3901 01牙号故障1.0464 1.0275 1.4477 1.0011 2.8157 3.6314 -0.042849 2.2455 1.9449 0.81595 31665 1.1417 0.034159 98.838 0 1.73e-06 1.55e-07 230.39 01 01牙号故障1.0459 1.0257 1.4402 0.98047 2.8157 3.6314 -0.035405 2.2757 1.955 0.80583 31554 1.1345 0.0353 44.223 0 1.11e-06 1.39e-07 230.39 01 011牙号故障
查看数据集的类名。
classNames =类别(tbl{:，labelName})
一会=2×1细胞{“没有牙齿故障”}{“牙齿故障”}
接下来，将数据集划分为训练分区和测试分区。留出15%的数据用于测试。
确定每个分区的观察数。
numObservations = size(tbl,1);numObservationsTrain = floor(0.85*numObservations);numObservationsTest = numObservations - numObservationsTrain;
创建一个与观察结果对应的随机索引数组，并使用分区大小对其进行分区。
idx = randperm(numObservations);idxTrain = idx(1:numObservationsTrain);idxTest = idx(numObservationsTrain+1:end);
使用索引将数据表划分为训练、验证和测试分区。
tblTrain = tbl(idxTrain，:);tblTest = tbl(idxTest，:);
定义一个带有特征输入层的网络，并指定特征的数量。此外，配置输入层以使用Z-score规范化对数据进行规范化。
numFeatures = size(tbl,2) - 1;numClasses = numel(classNames);layers = [featureInputLayer(numFeatures，“归一化”，“zscore”) fullyConnectedLayer(50) batchNormalizationLayer reluLayer fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];
指定培训选项。
miniBatchSize = 16;选项= trainingOptions(“亚当”，.．.“MiniBatchSize”miniBatchSize,.．.“洗牌”，“every-epoch”，.．.“阴谋”，“训练进步”，.．.“详细”、假);
使用定义的体系结构训练网络层、训练数据和训练选项。
net = trainNetwork(tblTrain,layers,options);
利用训练好的网络预测测试数据的标签，并计算准确率。准确率是指网络正确预测的标签的比例。
YPred =分类(net,tblTest，“MiniBatchSize”, miniBatchSize);YTest = tblTest{:，labelName};精度= sum(YPred == YTest)/numel(YTest)
准确度= 0.9688
输入参数
输出参数
更多关于
参考文献
[1]工藤，M.，富山，M. Shimbo。“使用穿过区域的多维曲线分类”模式识别信．第20卷，第11-13号，第1103-1111页。
[2]工藤，M.，富山，M. Shimbo。日语元音数据集．https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels
扩展功能
另请参阅
analyzeNetwork|assembleNetwork|分类|DAGNetwork|深度网络设计器|LayerGraph|预测|SeriesNetwork|trainingOptions
您也可以从以下列表中选择一个网站:
