trainNetwork
深度学习的神经中枢
Sintaxis
Descripcion
Para tareas de clasificación y regresión, puede entrenar varios tipos de redes neurales usage la funcióntrainNetwork．
Por ejemplo, puede entrenar:
una red neuron convolucional (ConvNet, CNN) para datos de imágenes
红神经元循环(RNN)，皮质大空间记忆(LSTM)，神经循环(GRU)，时间序列的安全数据
una red de perceptrón multicapa (MLP) para datos de características numéricas
Puede entrenar tanto en una CPU como en una GPU。Para la clasificación y la regresión de imágenes, puede entrenar una sola red en parallelelo utizando varas GPU o un grupo parallelo local o remoto。并行计算工具箱™。Para utilzar una GPU Para深度学习，debe también disponer de un dispositivo GPU兼容。Para obtener información清醒的性格，协商GPU计算要求(并行计算工具箱)．特别活动，包括活动活动ejecución，活动活动funcióntrainingOptions．
红神经元，特别的预测和反应，单独的反应，独立的反应。
包括
Entrenar la红色para classifier imágenes
货物没有异议ImageDatastore．
digitDatasetPath = fullfile(matlabroot，“工具箱”，“nnet”，.．.“nndemos”，“nndatasets”，“DigitDataset”）;imds = imageDatastore(digitDatasetPath，.．.“IncludeSubfolders”,真的,.．.“LabelSource”，“foldernames”）;
El almacén de datos contiene 10000 imágenes sintéticas con dígitos del 0 al 9。Las imágenes se generan applicando transformaciones al azar imágenes de dígitos creadas con dientes。Cada imagen de dígito tiene 28 por 28 píxeles。El almacén de datos continene la misma悬臂de imágenes por categoría。
博物馆imágenes del almacén de datos。
figure numImages = 10000;perm = randperm(numImages,20);为I = 1:20 subplot(4,5, I);imshow (imds.Files{烫发(i)});drawnow;结束
分割者almacén按程序的数据categoría按顺序排列的连线者750 imágenes按顺序排列的连线者imágenes按顺序排列的礼仪。
numTrainingFiles = 750;[imdsTrain,imdsTest] = splitEachLabel(imds,numTrainingFiles，“随机”）;
splitEachLabel划分影像档案digitData在新时代的日子里，imdsTrainyimdsTest．
定义la arquitectura de la red神经元旋。
层= [.．.imageInputLayer([28 28 1]) convolution2dLayer(5,20) reluLayer maxPooling2dLayer(2，“步”，2) fullyConnectedLayer(10) softmaxLayer classificationLayer];
建立la configuración预先决定de las opciones del gradiente descent estocástico con moment。建立在número máximo de épocas上20世纪建立在0,0001。
选项= trainingOptions(“个”，.．.“MaxEpochs”, 20岁,.．.“InitialLearnRate”1的军医,.．.“详细”假的,.．.“阴谋”，“训练进步”）;
Entrene la red。
net = trainNetwork(imdsTrain,layers,options);
引经出道的红色与意象的关系，没有对红色与意象的关系的利用，意象的礼仪(dígitos)。
YPred = category (net,imdsTest);YTest = imdsTest.Labels;
Calcule la precisión。La precisión es La relación entre el número de verdaderas de los datos de prueba que巧合con las分类de分类Y el número de imágenes de los datos de prueba。
精度= sum(YPred == YTest)/numel(YTest)
准确度= 0.9408
恩泽纳乌纳红con imágenes奥曼塔达斯
Entrene una红色神经元convolucional con datos de imágenes aumentadas。那是一段美好的回忆那是一段美好的回忆imágenes那是一段美好的回忆。
货物清单están formados por imágenes sintéticas de dígitos手稿。
[XTrain,YTrain] = digitTrain4DArrayData;
digitTrain4DArrayDatacarga el conjunto de entrenamiento de dígitos como datos de unarreglo 4D。XTrainEs UN arreglo de 28 por 28 por 1 por 5000, donde:
28 es la altura y la anchura de las imágenes。
1 es el número de canales。
5000 es el número de imágenes sintéticas de dígitos手稿。
YTrainEs UN vector categórico que contiene las etiquetas para cada observación。
储备1000 de las imágenes para la validación de la red。
idx = randperm(size(XTrain,4)，1000);XValidation = XTrain(:，:，:，idx);XTrain(:，:，:，idx) = [];YValidation = YTrain(idx);YTrain(idx) = [];
Cree un异议imageDataAugmenter关于程序前的特别行动imágenes，关于行动tamaño, la rotación, la traslación y la reflexión。Traslade aleoriamente las imágenes hasta tres píxeles水平y垂直，y rote las imágenes con un ángulo de hasta 20格拉。
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]
Cree un异议augmentedImageDatastorePara使用，durante, el, enrenamian, de, la, red，特别的tamaño, de, salida, de, la imagen。杜兰特·埃尔登登，almacén埃尔登堡imágenes埃尔登堡tamaño。El almacén de datos aumenta las imágenes sin guardar ninguna en la memoria。trainNetworkActualiza los parámetros de la red y descarta las imágenes aumentadas。
imageSize = [28 28 1];augimds = augmentedimagedastore (imageSize,XTrain,YTrain，“DataAugmentation”, imageAugmenter);
特别la架构，德拉红神经元旋。
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];
特别的印象，对后代的影响estocástico现在。
opts = trainingOptions(“个”，.．.“MaxEpochs”15岁的.．.“洗牌”，“every-epoch”，.．.“阴谋”，“训练进步”，.．.“详细”假的,.．.“ValidationData”, {XValidation, YValidation});
Entrene la red。Puesto que las imágenes de validación没有儿子，la precisión de validación es superior a la precisión de entrenamiento。
net = trainNetwork(augimds,layers,opts);
Entrenar la红色para la regresión de imágenes
货物清单están formados por imágenes sintéticas de dígitos手稿。连续三十年的工资ángulos通讯员在grados在los que se ha rotado cada imagen。
货物拉imágenes de entrenamiento como arreglos 4D中线digitTrain4DArrayData．洛杉矶——赛利达XTrainEs UN arreglo de 28 por 28 por 1 por 5000, donde:
28 es la altura y la anchura de las imágenes。
1 es el número de canales。
5000 es el número de imágenes sintéticas de dígitos手稿。
YTraincontinene los ángulos de rotación en grados。
[XTrain，~，YTrain] = digitTrain4DArrayData;
博物馆20 imágenes中间的临时博物馆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
特别la架构，德拉红神经元旋。Para problem de regresión，包括una capa de regresión al final de la red。
层= [.．.imageInputLayer([28 28 1]) convolution2dLayer(12,25) reluLayer fullyConnectedLayer(1) regressionLayer];
尤其是红色的。那是什么意思呢?
选项= trainingOptions(“个”，.．.“InitialLearnRate”, 0.001,.．.“详细”假的,.．.“阴谋”，“训练进步”）;
Entrene la red。
net = trainNetwork(XTrain,YTrain，图层，选项);
Pruebe el rendimiento de la red evaluando la precisión de predicción de los datos de prueba。Utilice预测Para bicir los ángulos de rotación de las imágenes de validación。
[XTest，~，YTest] = digitTest4DArrayData;YPred = predict(net,XTest);
Evalúe el rendimiento del modelo calculando el error cuadrático medio raíz (RMSE) del ángulo de rotación predicho y del real。
rmse =√(mean(YTest - YPred).^2))
rmse =单6.0355
红色对分类安全的保护
Entrene una red de LSTM de deep learning para la clasificación secuencia a礼节。
Cargue el conjunto de datos de las vocales japan tal y como se描述en [1] y[2]。XTrain270不同经度的倒数倒数12 características对应的倒数倒数倒数。YEs UN向量categórico de las etiquetas 1,2，…，9。Las entradas deXTrainSon matrices con 12 filas (una fila por característica) y UN número变量de column (una column por unidad de tiempo)。
[XTrain,YTrain] =日本evowelstraindata;
天上时间的初值视觉gráfica。Cada línea se correspondence de con una característica。
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”）
Defina la arquitectura de la red de LSTM特别是el tamaño de la entrada como 12 (el número de características de los datos de entrada)。特别之处，LSTM con 100 unidades ocultas y que genere último安全元素。Por último，具体的新类包括，总卡位，总卡位tamaño 9，软卡位，软卡位clasificación。
inputSize = 12;numHiddenUnits = 100;numClasses = 9;层= [.．.sequenceInputLayer inputSize lstmLayer (numHiddenUnits,“OutputMode”，“最后一次”fullyConnectedLayer(numClasses) softmaxLayer classificationLayer
2”LSTM LSTM 100个隐藏单元3”全连接9全连接层4”Softmax Softmax 5”分类输出crossentropyex
特别的是，我爱你。特别求解器“亚当”y“GradientThreshold”科莫1。Establezca el tamaño del minilote en 27 y el número máximo de épocas en 70。
我的孩子们pequeños我们的安全，我们的CPU más我们的孩子们。Establezca“ExecutionEnvironment”在“cpu”．Para realizar un entrenamiento en una GPU, si está可有可无，建立“ExecutionEnvironment”在“汽车”(el valor por defto)。
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”）;
红彤彤的LSTM，和那些特别的行动。
net = trainNetwork(XTrain,YTrain，图层，选项);
货物和财产的安全分类。
[XTest,YTest] =日本evowelstestdata;
法律资料分类。特别的错误tamaño迷你的使用，para el entrenamiento。
YPred = category (net,XTest，“MiniBatchSize”, miniBatchSize);
计算la precisión de clasificación de las predicciones。
acc = sum(YPred == YTest)./ nummel (YTest)
Acc = 0.9459
恩瑞纳una red con características numéricas
Si tiene un conjunto de datos de características numéricas (por ejemplo, una colección de datos numéricos sin dimensions ones espaciales ni temporales)， puede entrenar una red de deep learning利用una capa de entrada de características。
档案档案档案档案“transmissionCasingData.csv”．
文件名=“transmissionCasingData.csv”；TBL =可读(文件名，“TextType”，“字符串”）;
欢乐的仪式para la predicción en categóricas实用的方式la funciónconvertvars．
labelName =“GearToothCondition”；tbl = convertvars(tbl,labelName，“分类”）;
对时红利用características categóricas，对时红转换características categóricas numéricas。美好的预言categóricos en numéricos con la funciónconvertvars特别说明:联合国权利清单和权利清单和权利变量categórica。我们在一起，我们在一起características categóricas我们在一起“SensorCondition”y“ShaftCondition”．
categoricalInputNames = [“SensorCondition”“ShaftCondition”];tbl = convertvars(tbl,categoricalInputNames，“分类”）;
归因变量categórica。Para cada变量:
Convierta los valores categóricos en vecres codificados one-hot usando la función
onehotencode．Añada los vectors one-hot a la手鼓utilzando la función
addvars．关于插入矢量的特别说明después关于连续数据的柱体categóricos记者。关于连续资料的通讯栏categóricos。
为i = 1:numel(categoricalInputNames) name = categoricalInputNames(i);Oh = onehotencode(tbl(:，name));TBL = addvars(TBL，哦，“后”、名称);Tbl (:，name) = [];结束
列上向量的独立利用funciónsplitvars．
TBL =分裂(TBL);
手鼓初音幻视。观察预测方法categóricos变量变量列差异计算categóricos变量名称计算。
头(台)
SigMean 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
参考资料的分类与分类。
classNames =类别(tbl{:，labelName})
一会=2 x1细胞{“没有牙齿故障”}{“牙齿故障”}
continuación，数据和参与者之间的关系和权利之间的关系。保留15%的资料。
确定el número de observaciones para cada partición。
numObservations = size(tbl,1);numObservationsTrain = floor(0.85*numObservations);numObservationsTest = numObservations - numObservationsTrain;
我们的思想思想índices我们的思想思想divídalo我们的思想思想tamaños partición。
idx = randperm(numObservations);idxTrain = idx(1:numObservationsTrain);idxTest = idx(numObservationsTrain+1:end);
手心数据和参与人的权利和权利的分配índices。
tblTrain = tbl(idxTrain，:);tblTest = tbl(idxTest，:);
定义一个红色的con una capa de entrada de características y especque el número de características。配置también la capa de entrada para normalizar los datos utilization la normalización de puntuación Z。
numFeatures = size(tbl,2) - 1;numClasses = numel(classNames);layers = [featureInputLayer(numFeatures，“归一化”，“zscore”) fullyConnectedLayer(50) batchNormalizationLayer reluLayer fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];
特别的是，我爱你。
miniBatchSize = 16;选项= trainingOptions(“亚当”，.．.“MiniBatchSize”miniBatchSize,.．.“洗牌”，“every-epoch”，.．.“阴谋”，“训练进步”，.．.“详细”、假);
红彤彤的建筑层，“约会的日子”和“约会的行动”。
net = trainNetwork(tblTrain,layers,options);
Prediga las etiquetas de los datos de prueba con la red entrenada y calcalla precisión。La precisión es La proporción de etiquetas que La red predice correctamente。
YPred =分类(net,tblTest，“MiniBatchSize”, miniBatchSize);YTest = tblTest{:，labelName};精度= sum(YPred == YTest)/numel(YTest)
准确度= 0.9688
entrada论证
salida的论证
Más acerca de
Referencias
[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
Capacidades ampliadas
历史版本
介绍en R2016a
您也可以从以下列表中选择一个网站: