例を開き，検査と実行が可能な事前構成済みの実験を含むプロジェクトを読み込みます。実験を開くには，[実験ブラウザ]ペesc escンで，実験の名前(Experiment1)をダブルクリックします。

または，次の手順に従って，自分で実験を構成することもできます。

1.実験マネジャを開きます。

2.[新規作成]、[プロジェクト]をクリックし，新しいプロジェクトの場所と名前を選択します。実験マネジャによって、プロジェクトで新しい実験が開きます。[実験]ペインには,実験を定義する説明,ハイパーパラメーター,セットアップ関数,およびメトリクスが表示されます。

3.[説明]ボックスに，実験の説明を次のように入力します。

数字分类，使用不同的初始学习率。

4.[ハ]で,myInitialLearnRateの値を0.0025:0.0025:0.015に置き換えます。[手法]が详尽的扫描に設定されていることを確認します。

5.[セットアップ関数]で[編集]をクリックします。MATLABエディターでセットアップ関数が開きます。セットアップ関数では、実験用の学習データ、ネットワーク アーキテクチャ、および学習オプションを指定します。既定では、セットアップ関数のテンプレートに 3 つのセクションがあります。

実験を実行すると,実験マネージャーはセットアップ関数で定義されたネットワークに6回学習させます。各試行で,ハイパーパラメーターテーブルで指定された学習率の1つが使用されます。既定では、実験マネ、ジャ、は一度に1の試行を実行します。并行计算工具箱がある場合は,複数の試行を同時に実行できます。最良の結果を得るには，実験を実行する前に，gpuと同じ数のワ，カ，で並列プ，ルを起動します。詳細にいては，実験マネ，ジャ，を使用したネットワ，クの並列学習を参照してください。

結果テ，ブルに，各試行の精度と損失が表示されます。

実験の実行中に[学習プロット]をクリックすると，学習プロットが表示され，各試行の進行状況を追跡できます。Matlabコマンドウィンドウで学習の進行状況を監視することもできます。

[混同行列]をクリックし，完了した各試行の検証デ，タの混同行列を表示します。

実験の完了後，列ごとにテ，ブルを並べ替えたり，[フィルタ]ペ▪▪ンを使用して試行をフィルタ▪▪処理したりできます。詳細にいては，実験結果の並べ替えとフィルタ，処理を参照してください。

各試行の性能をテストするには,試行で使用した学習済みネットワークまたは試行の学習情報をエクスポートします。[実験マネ，ジャ，]ルストリップで，[エクスポ，ト]、[学習済みネットワ，ク]を選択するか，[エクスポ，ト]、[学習情報]を選択します。詳細は，网と信息を参照してください。

実験を閉じるには，[実験ブラウザ]ペ电子邮箱ンでプロジェクトの名前を右クリックし，[プロジェクトを閉じる]を選択します。実験マネ，ジャ，によって，プロジェクトに含まれるすべての実験と結果が閉じられます。

例を開き，検査と実行が可能な事前構成済みの実験を含むプロジェクトを読み込みます。実験を開くには，[実験ブラウザ]ペesc escンで，実験の名前(Experiment1)をダブルクリックします。

または，次の手順に従って，自分で実験を構成することもできます。

1.実験マネジャを開きます。

2.[新規作成]、[プロジェクト]をクリックし，新しいプロジェクトの場所と名前を選択します。実験マネジャによって、プロジェクトで新しい実験が開きます。[実験]ペインには,実験を定義する説明,ハイパーパラメーター,セットアップ関数,およびメトリクスが表示されます。

3.[説明]ボックスに，実験の説明を次のように入力します。

回归预测手指的旋转角度，使用不同的初始学习率。

4.[ハ]で,myInitialLearnRateの値を0.001:0.001:0.006に置き換えます。[手法]が详尽的扫描に設定されていることを確認します。

5.[セットアップ関数]で[編集]をクリックします。MATLABエディターでセットアップ関数が開きます。

函数[XTrain,YTrain,layers,options] = Experiment1_setup1(params)

[XTrain，~，YTrain] = digitTrain4DArrayData;[XValidation，~，YValidation] = digitTest4DArrayData;

图层= [imageInputLayer([28 28 1])卷积2dlayer (3,8，“填充”，“相同”(2，)“步”2) convolution2dLayer(16日“填充”，“相同”(2，)“步”32岁的,2)convolution2dLayer (3“填充”，“相同”卷积2dlayer (3,32，“填充”，“相同”) batchNormalizationLayer reluLayer dropoutLayer(0.2) fullyConnectedLayer(1) regressionLayer];

选项= trainingOptions(“个”，.．.“MaxEpochs”5,.．.“ValidationData”{XValidation, YValidation},.．.“ValidationFrequency”30岁的.．.“InitialLearnRate”, params.myInitialLearnRate);

実験を実行すると,実験マネージャーはセットアップ関数で定義されたネットワークに6回学習させます。各試行で,ハイパーパラメーターテーブルで指定された学習率の1つが使用されます。各試行で,ハイパーパラメーターテーブルで指定された学習率の1つが使用されます。既定では、実験マネ、ジャ、は一度に1の試行を実行します。并行计算工具箱がある場合は,複数の試行を同時に実行できます。最良の結果を得るには，実験を実行する前に，gpuと同じ数のワ，カ，で並列プ，ルを起動します。詳細にいては，実験マネ，ジャ，を使用したネットワ，クの並列学習を参照してください。

結果テ，ブルに，各試行の平方根平均二乗誤差(rmse)と損失が表示されます。

実験の実行中に[学習プロット]をクリックすると，学習プロットが表示され，各試行の進行状況を追跡できます。Matlabコマンドウィンドウで学習の進行状況を監視することもできます。

実験の完了後，列ごとにテ，ブルを並べ替えたり，[フィルタ]ペ▪▪ンを使用して試行をフィルタ▪▪処理したりできます。詳細にいては，実験結果の並べ替えとフィルタ，処理を参照してください。

各試行の性能をテストするには,試行で使用した学習済みネットワークまたは試行の学習情報をエクスポートします。[実験マネ，ジャ，]タブで，[エクスポ，ト]、[学習済みネットワ，ク]を選択するか，[エクスポ，ト]、[学習情報]を選択します。詳細は，网と信息を参照してください。

実験を閉じるには，[実験ブラウザ]ペ电子邮箱ンでプロジェクトの名前を右クリックし，[プロジェクトを閉じる]を選択します。実験マネ，ジャ，によって，プロジェクトに含まれるすべての実験と結果が閉じられます。

[メトリクス]セクションは，実験結果を評価するための関数を指定します。メトリクス関数への入力は，以下の3结构体です。

メトリクス関数の出力は,スカラー数,逻辑値,または字符串でなければなりません。

実験でベ电子邮箱ズ最適化を使用する場合は，[最適化]リストから最適化するメトリクスを選択します。[方向]リストで，このメトリクスの[最大化]または[最小化]を指定します。実験マネージャーは,このメトリクスを使用して,実験に最適なハイパーパラメーターの組み合わせを決定します。学習または検証の標準的メトリクス(精度,RMSE,損失など)を選択することも,テーブルからカスタムメトリクスを選択することもできます。

結果テーブルで試行を並べ替えるには,学習メトリクスまたは検証メトリクスに対応する列のドロップダウンメニューを使用します。

結果テ，ブルから試行をフィルタ，処理するには，[フィルタ]ペ@ @ンを使用します。

最初の(实验结果)ペ电子邮箱ンで，[実験のソ，スの表示]リンクをクリックします。実験マネジャは、最初の結果セットを生成した実験の定義を含む【实验ソ，ス】ペ@ @ンを開きます。ペesc escンの下部にあるリンクをクリックして，最初の実験の実行時に使用したセットアップ関数を開きます。このセットアップ関数をコピ，し，シンプルな分類ネットワ，クを使用して実験を再実行できます。

2番目の(实验结果)ペ电子邮箱ンで，[実験のソ，スの表示]リンクをクリックします。実験マネジャは、2 番目の結果セットを生成した実験の定義を含む【实验ソ，ス】ペ@ @ンを開きます。ペインの下部にあるリンクをクリックして,2回目の実験の実行時に使用したセットアップ関数を開きます。このセットアップ関数をコピ，し，転移学習を使用して実験を再実行できます。

使用するセットアップ関数とカスタムメトリクス関数のコピーが実験マネージャーによって保存されるため,実験を変更して再実行するときに,これらの関数の名前を手動で変更する必要はありません。