监控深度学习训练进展

当你训练网络进行深度学习时，监控训练进度通常是有用的。通过绘制培训期间的各种指标，您可以了解培训是如何进行的。例如，您可以确定网络准确性是否以及以多快的速度提高，以及网络是否开始过度拟合训练数据。

当你指定“训练进步”随着“阴谋”价值培训选项并开始网络培训，trainNetwork创建一个图形，并在每次迭代中显示培训指标。每次迭代都是对梯度的估计和网络参数的更新。中指定验证数据培训选项，图中显示每次验证的度量trainNetwork验证网络。图中描绘了如下内容:

对于回归网络，图中绘制的是均方根误差(RMSE)而不是精度。

这个图形标记了每一次训练时代使用阴影背景。epoch是对整个数据集的完整遍历。

在培训过程中，可以通过单击右上角的“停止”按钮停止培训，返回当前网络状态。例如，当网络的准确性达到一个平台时，您可能想要停止训练，并且很明显准确性不再提高。点击停止按钮后，可能需要一段时间才能完成培训。一旦培训完成，trainNetwork返回训练过的网络。

当训练结束时，查看结果显示最终验证准确性以及培训完成的原因。如果“OutputNetwork”训练选项设置为最后一次迭代的(默认)，最终确定的度量与最后的训练迭代相对应。如果“OutputNetwork”训练选项设置为“最佳验证损失”，最终度量标准对应于具有最低验证损耗的迭代。标记了计算最终验证度量标准的迭代最终的的情节。

如果您的网络包含批量归一化层，则最终验证度量可以与培训期间评估的验证度量不同。这是因为在训练完成后，用于批量归一化的平均值和方差统计数据可以不同。例如，如果是“BatchNormalizationStatisics”培训选项是“人口”然后，在培训之后，软件通过再次通过训练数据来完成批量归一化统计数据，并使用产生的均值和方差。如果“BatchNormalizationStatisics”培训选项是“移动”，然后软件使用运行估计值来近似训练期间的统计数据，并使用统计数据的最新值。

在右侧，查看有关培训时间和设置的信息。要了解有关培训选项的更多信息，请参阅卷积神经网络参数的建立与训练．

[XTrain, YTrain] = digitTrain4DArrayData;idx = randperm(大小(XTrain, 4), 1000);XValidation = XTrain (:,:,:, idx);XTrain (::,:, idx) = [];YValidation = YTrain (idx);YTrain (idx) = [];

图层= [imageInputlayer（[28 28 1]）卷积2dlayer（3,8，“填充”，'相同的'）BatchnormalizationLayer Ruilulayer MaxPooling2dlayer（2，“步”，2）卷积2dlayer（3,16，“填充”，'相同的'）BatchnormalizationLayer Ruilulayer MaxPooling2dlayer（2，“步”32岁的,2)convolution2dLayer (3“填充”，'相同的'）BatchnormalizationLayer Rublayer全连接列（10）SoftmaxLayer分类层];

选项=培训选项（“个”，．..“MaxEpochs”8．..'vightationdata'，{xvalidation，yvalidation}，．..'验证职业'，30，．..“详细”，错误的，．..“阴谋”，“训练进步”)；

net = trainnetwork（xtrain，ytrain，图层，选项）;

另请参阅

trainNetwork|培训选项

相关话题

• 了解卷积神经网络
• 指定卷积神经网络的层
• 卷积神经网络参数的建立与训练
• 普里尔的深层神经网络
• MATLAB中的深度学习