convGradients函数

的convGradientshelper函数卷积操作的可学的参数和mini-batch输入数据dlX,并返回梯度对可学的参数。

函数梯度= convGradients (dlX params)海底= dlconv (dlX, params.Weights params.Bias);海底=总和(海底,“所有”);梯度= dlgradient(海底,params);结束

负荷训练数据

加载数字训练数据。

[XTrain, TTrain] = digitTrain4DArrayData;类=类别(TTrain);numClasses =元素个数(类);

定义网络

定义网络体系结构和使用指定图像的平均价值的意思是选择在图像输入层。

层= [imageInputLayer ([28 28 1],“的意思是”,意味着(XTrain 4) convolution2dLayer (5、20) reluLayer convolution2dLayer (3 20“填充”20岁的,1)reluLayer convolution2dLayer (3“填充”1)reluLayer fullyConnectedLayer (numClasses) softmaxLayer];

创建一个dlnetwork数组对象的层。

网= dlnetwork(层);

定义模型损失函数

创建一个helper函数modelLoss年底上市,这个例子。函数接受一个dlnetwork对象和一个mini-batch输入数据与相应的标签,并返回损失和损失的梯度对可学的参数。

定义了随机梯度下降功能

创建一个helper函数sgdFunction年底上市,这个例子。函数需要的参数和梯度的损失的参数,并返回更新后的参数使用随机梯度下降算法,表示为

在哪里 $\mathit{l}$是迭代数, $\alpha >0$是学习速率, $\theta$是参数向量, $\mathit{E}\left(\theta \right)$损失函数。

指定培训选项

培训期间指定要使用的选项。

miniBatchSize = 128;numEpochs = 30;numObservations =元素个数(TTrain);numIterationsPerEpoch =地板(numObservations. / miniBatchSize);

指定学习速率。

learnRate = 0.01;

列车网络的

初始化培训进展阴谋。

图C = colororder;lineLossTrain = animatedline (“颜色”C (:));ylim([0正])包含(“迭代”)ylabel (“损失”网格)在

火车模型使用自定义训练循环。对于每一个时代,洗牌和遍历mini-batches数据的数据。通过调用更新网络参数dlupdate与函数sgdFunction定义在这个例子。在每个时代,显示培训进展。

火车在GPU上,如果一个是可用的。使用GPU需要并行计算工具箱™和支持GPU设备。金宝app支持设备的信息,请参阅金宝appGPU的金宝app支持版本(并行计算工具箱)。

迭代= 0;开始=抽搐;为时代= 1:numEpochs%洗牌数据。idx = randperm(元素个数(TTrain));XTrain = XTrain (:,:,:, idx);TTrain = TTrain (idx);为i = 1: numIterationsPerEpoch迭代=迭代+ 1;%读mini-batch数据和标签转换为假%变量。idx =(张)* miniBatchSize + 1:我* miniBatchSize;X = XTrain (:,:,:, idx);T = 0 (numClasses miniBatchSize,“单身”);为T (c, c = 1: numClasses TTrain (idx) = =类(c)) = 1;结束% dlarray mini-batch的数据转换。X = dlarray(单(X)“SSCB”);%如果训练在GPU,然后将数据转换成一个gpuArray。如果canUseGPU X = gpuArray (X);结束%计算模型和梯度使用dlfeval损失% modelLoss函数。(损失,梯度)= dlfeval (@modelLoss,净,X, T);%更新网络参数使用SGD算法中定义% sgdFunction helper函数。梯度updateFcn = @(净)sgdFunction(净、渐变learnRate);网= dlupdate (updateFcn、净、梯度);%显示培训进展。D =持续时间(0,0,toc(开始),“格式”,“hh: mm: ss”);=双重损失(损失);addpoints (lineLossTrain、迭代、失去)标题(”时代:“+时代+”,过去:“+ drawnow字符串(D))结束结束

测试网络

测试模型的分类精度通过比较测试集上的预测与真正的标签。

(XTest, tt) = digitTest4DArrayData;

将数据转换成dlarray维度的格式“SSCB”(空间、空间、通道、批)。GPU预测,也将数据转换成gpuArray。

XTest = dlarray (XTest,“SSCB”);如果canUseGPU XTest = gpuArray (XTest);结束

使用分类图像dlnetwork对象,使用预测函数和找到类最高的分数。

欧美=预测(净,XTest);[~,idx] = max (extractdata(欧美),[],1);欧美=类(idx);

评估分类精度。

精度=意味着(欧美= = tt)

精度= 0.8972

损失函数模型

辅助函数modelLoss需要一个dlnetwork对象净和mini-batch输入数据X与相应的标签T,并返回损失和损失的梯度对可学的参数净。自动计算梯度,使用dlgradient函数。

函数(损失,梯度)= modelLoss(净,X, T) Y =前进(净,X);损失= crossentropy (Y, T);梯度= dlgradient(损失、net.Learnables);结束

随机梯度下降函数

辅助函数sgdFunction需要可学的参数参数,损失的梯度就可学会的参数,和学习速率learnRate,并返回更新后的参数使用随机梯度下降算法,表示为

在哪里 $\mathit{l}$是迭代数, $\alpha >0$是学习速率, $\theta$是参数向量, $\mathit{E}\left(\theta \right)$损失函数。

函数参数= sgdFunction参数(参数、渐变learnRate) =参数- learnRate。*渐变;结束