このページの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。
列车网络
深層学習用のニューラルネットワークの学習
構文
説明
分類および回帰タスクでは,列车网络を使用して、イメージ データを畳み込みニューラル ネットワーク （美国有线电视新闻网、美国有线电视新闻网）に学習させたり、シーケンス データを長短期記憶 （LSTM）やゲート付き回帰ユニット （GRU）などの再帰型ニューラル ネットワーク （RNN）に学習させたり、または数値特徴量データを多層パーセプトロン （MLP）ネットワークに学習させたりできます。1.つの 中央处理器または 1.つの GPUで学習させることができます。イメージ分類やイメージ回帰の場合、複数の GPUまたは並列で学習させることができます。GPU、マルチ GPU、および並列オプションの使用には 并行计算工具箱™ が必要です。深層学習にGPUを使用するには,以3.0计算能力上のCUDA®対応 英伟达®GPUも必要です。実行環境のオプションを含む学習オプションを指定するには,関数trainingOptionsを使用します。
例
イメージ分類についてのネットワークの学習
データを图像数据存储オブジェクトとして読み込みます。
digitDatasetPath = fullfile (matlabroot,“工具箱”,“nnet”,．..“nndemos”,“数据集”,“DigitDataset”）;imd = imageDatastore (digitDatasetPath,．..“IncludeSubfolders”,真的,．..“LabelSource”,“foldernames”）;
データストアには,0 ~ 9の数字から成る10000個の合成イメージが格納されています。イメージは,さまざまなフォントを使用して作成された数字のイメージにランダム変換を適用して生成されたものです。数字のイメージはそれぞれ28 x 28ピクセルです。データストアには、カテゴリごとに同じ数のイメージが含まれます。
データストアのイメージをいくつか表示します。
图numImages = 10000;烫= randperm (numImages 20);对于i=1:20子图（4,5，i）；imshow（imds.Files{perm（i）}）；drawnow；终止
データストアを分割して、学習セットの各カテゴリに 750個のイメージが含まれ、テスト セットに各ラベルの残りのイメージが含まれるようにします。
numTrainingFiles = 750;[imdsTrain, imdsTest] = splitEachLabel (imd, numTrainingFiles“随机”）;
拆分标签は,digitData内のイメージ ファイルを 2.つの新しいデータストアimdsTrainとimdsTestに分割します。
畳み込みニューラル ネットワーク アーキテクチャを定義します。
层= [．..imageInputLayer（[28 1]）卷积2Dlayer（5,20）reluLayer MaxPoolig2Dlayer（2，“大步走”，2) fulllyconnectedlayer (10) softmaxLayer classificationLayer;
モーメンタム項付き確率的勾配降下法の既定の設定にオプションを設定します。エポックの最大回数を20に設定し,初期学習率0.0001で学習を開始します。
选择= trainingOptions (“个”,．..“MaxEpochs”, 20岁,．..“InitialLearnRate”1的军医,．..“详细”假的,．..“情节”,“训练进步”）;
ネットワークに学習をさせます。
net=列车网络（IMD列车、层、选项）；
ネットワークの学習に使用されなかったテストセットについて学習済みネットワークを実行し,イメージのラベル(数字)を予測します。
YPred =分类(净,imdsTest);欧美= imdsTest.Labels;
精度を計算します。精度とは,テストデータ内のイメージの数に対する,分类による分類に一致するテストデータ内の真のラベルの数の比率です。
精度=总和（YPred==YTest）/numel（YTest）
精度= 0.9420
拡張イメージを使用したネットワークの学習
拡張イメージデータを使用して,畳み込みニューラルネットワークに学習させます。データ拡張は、ネットワークで過適合が発生したり、学習イメージの正確な詳細が記憶されたりすることを防止するのに役立ちます。
標本データを読み込みます。標本データは、手書き数字の合成イメージで構成されています。
[XTrain, YTrain] = digitTrain4DArrayData;
digitTrain4DArrayDataは,数字の学習セットを4次元配列データとして読み込みます。XTrainは、28 x 28 x 1 x 5000の配列です。
28はイメージの高さと幅。
1はチャネルの数。
5000は手書き数字の合成イメージの数。
YTrainは、各観測値のラベルが含まれる 明确的ベクトルです。
ネットワークの検証用に 1000個のイメージを残しておきます。
idx = randperm(大小(XTrain, 4), 1000);XValidation = XTrain (:,:,:, idx);XTrain (::,:, idx) = [];YValidation = YTrain (idx);YTrain (idx) = [];
サイズ変更,回転,平行移動,反転など,イメージ拡張の前処理オプションを指定する图像数据增强器オブジェクトを作成します。イメージを,水平方向および垂直方向に最大3ピクセルまでのランダムな平行移動をさせたり,最大20度までの回転をさせたりします。
imageAugmenter=imageDataAugmenter(．..“RandRotation”(-20年,20),．..“随机翻译”3 [3],．..“兰迪翻译”3 [3])
imageAugmenter=imageDataAugmenter，其属性为：FillValue:0 RandExlection:0 RandYReflection:0 RandRotation:[-20]RandScale:[1]RandYScale:[1]RandySchear:[0]RandySchear:[0]RandExTranslation:[-3]RandyStralation:[-3]
ネットワーク学習に使用するaugmentedImageDatastoreオブジェクトを作成し、イメージ出力サイズを指定します。学習中、データストアはイメージ拡張の実行とイメージのサイズ変更を行います。データストアは、イメージをメモリに保存せずに拡張します。列车网络は,ネットワークパラメーターを更新した後,その拡張イメージを破棄します。
imageSize=[28 28 1]；augimds=增强的图像数据存储（imageSize，XTrain，YTrain，“数据增强”图像增强仪）；
畳み込みニューラル ネットワーク アーキテクチャを指定します。
层=[imageInputLayer（imageSize）卷积2层（3,8，“填充”,“相同”maxPooling2dLayer(2，“大步走”2) convolution2dLayer(16日“填充”,“相同”maxPooling2dLayer(2，“大步走”32岁的,2)convolution2dLayer (3“填充”,“相同”)batchNormalizationLayer reluLayer fullyConnectedLayer（10）softmaxLayer classificationLayer]；
モーメンタム項付き確率的勾配降下法の学習オプションを指定します。
选择= trainingOptions (“个”,．..“MaxEpochs”15岁的．..“洗牌”,“every-epoch”,．..“情节”,“训练进步”,．..“详细”假的,．..“验证数据”，{XValidation，YValidation}）；
ネットワークに学習をさせます。検証イメージは拡張されないため、検証精度が学習精度より高くなります。
net=列车网络（augimds、层、选项）；
イメージ回帰についてのネットワークの学習
標本データを読み込みます。標本データは、手書き数字の合成イメージで構成されています。3番目の出力には,各イメージに対応する回転角度(度単位)が含まれています。
digitTrain4DArrayDataを使用して学習イメージを4次元配列として読み込みます。出力XTrainは 28 x 28 x 1 x 5000の配列で、それぞれは以下を意味します。
28はイメージの高さと幅。
1はチャネルの数。
5000は手書き数字の合成イメージの数。
YTrainには回転角度 (度単位) が含まれます。
[XTrain ~, YTrain] = digitTrain4DArrayData;
imshowを使用して,ランダムに選ばれた20枚の学習イメージを表示します。
figure numTrainImages = nummel (YTrain);idx = randperm (numTrainImages 20);对于i=1:numel（idx）子批次（4,5，i）imshow（XTrain（：，：，：，idx（i）））drawnow；终止
畳み込みニューラル ネットワーク アーキテクチャを指定します。回帰問題の場合、ネットワークの最後に回帰層を含めます。
层= [．..imageInputLayer（[28 28 1]）卷积2层（12,25）完全连通层（1）回归层]；
ネットワーク学習オプションを指定します。初期学習率を 0.001に設定します。
选择= trainingOptions (“个”,．..“InitialLearnRate”, 0.001,．..“详细”假的,．..“情节”,“训练进步”）;
ネットワークに学習をさせます。
net=列车网络（XTrain、YTrain、图层、选项）；
テストデータの予測精度を評価することによって,ネットワーク性能をテストします。预测を使用して、検証イメージの回転角度を予測します。
[XTest ~,欧美]= digitTest4DArrayData;YPred =预测(净,XTest);
回転角度の予測値と実際の値の平方根平均二乗誤差(RMSE)を計算することによって,モデルの性能を評価します。
rmse =√(mean((YTest - YPred).^2)))
rmse =单6.0356
シーケンス分類についてのネットワークの学習
要标记的序列分類について深層学習 LSTMネットワークに学習をさせます。
[1] および [2] に記載のある 日语元音データ セットを読み込みます。XTrainは,LPCケプストラム係数に対応する12の特徴をもつ可変長の270個のシーケンスが含まれる细胞配列です。Yは,ラベル1、2、……、9 の categorical ベクトルです。XTrainのエントリは行列で,行数が12(特徴ごとに1行)で,列数が可変(タイムステップごとに1列)です。
[XTrain, YTrain] = japaneseVowelsTrainData;
最初の時系列をプロットで可視化します。各ラインは特徴に対応しています。
图形绘图（XTrain{1}'）标题(“培训观察1”)numFeatures=size（XTrain{1}，1）；图例(“特性”+字符串（1:numFeatures），“位置”,“东北外”)
LSTMネットワーク アーキテクチャを定義します。入力サイズを 12 (入力データの特徴の数) に指定します。100個の隠れユニットを含み、シーケンスの最後の要素を出力するように LSTM層を指定します。最後に、サイズが 9の全結合層を含めることによって 9個のクラスを指定し、その後にソフトマックス層と分類層を配置します。
inputSize=12；numHiddenUnits=100；numClass=9；层=[．..sequenceInputLayer inputSize lstmLayer (numHiddenUnits,“OutputMode”,“最后”)fullyConnectedLayer（NumClass）softmaxLayer classificationLayer]
Layer = 5×1 Layer array with layers: 1 " Sequence Input Sequence Input with 12 dimensions 2 " LSTM LSTM with 100 hidden units 3 " Fully Connected 9 Fully Connected Layer 4 " Softmax Softmax 5 " Classification Output crossentropyex . jpg
学習オプションを指定します。ソルバーを“亚当”、“梯度阈值”を1に指定します。ミニバッチサイズを27日エポックの最大回数を70に設定します。
ミニバッチが小さく、シーケンスが短いため、学習には 中央处理器が適しています。“执行环境”を“cpu”に設定します。GPUが利用できる場合,GPUで学習を行うには,“执行环境”を“自动”(既定値)に設定します。
maxEpochs=70；miniBatchSize=27；选项=培训选项(“亚当”,．..“执行环境”,“cpu”,．..“MaxEpochs”maxEpochs,．..“MiniBatchSize”miniBatchSize,．..“梯度阈值”1.．..“详细”假的,．..“情节”,“训练进步”）;
学習オプションを指定して LSTMネットワークに学習させます。
net=列车网络（XTrain、YTrain、图层、选项）；
テスト セットを読み込み、シーケンスを話者別に分類します。
[XTest，YTest]=日本世界统计数据；
テストデータを分類します。学習に使用されるサイズと同じミニバッチサイズを指定します。
YPred=分类（净、XTest、，“MiniBatchSize”，小批量）；
予測の分類精度を計算します。
acc = sum(YPred == YTest)./numel(YTest)
acc = 0.9514
数値特徴量を使用したネットワークの学習
数値特徴量のデータセット(空間次元や時間次元のない数値データの集合など)がある場合,特徴入力層を使用して深層学習ネットワークに学習させることができます。
CSVファイル“transmissionCasingData.csv”からトランスミッション ケーシング データを読み取ります。
文件名=“transmissionCasingData.csv”；台= readtable(文件名,“TextType”,“字符串”）;
関数convertvarsを使用して、予測のラベルを 明确的に変換します。
labelName =“GearToothCondition”；tbl=转换器（tbl，标签名称，“绝对的”）;
カテゴリカル特徴量を使用してネットワークに学習させるには,最初にカテゴリカル特徴量を数値に変換しなければなりません。まず,関数convertvarsを使用して,すべてのカテゴリカル入力変数の名前を格納した字符串配列を指定することにより,カテゴリカル予測子を直言に変換します。このデータセットには,“SensorCondition”と“ShaftCondition”という名前の 2.つのカテゴリカル特徴量があります。
categoricalInputNames=[“SensorCondition”“ShaftCondition”]；tbl=convertvars（tbl，分类输入名称，“绝对的”）;
カテゴリカル入力変数をループ処理します。各変数について次を行います。
関数
onehotencodeを使用して,カテゴリカル値を一个炎热符号化ベクトルに変換する。関数
addvarsを使用して、一个热的ベクトルを 桌子に追加する。対応するカテゴリカル データが含まれる列の後にベクトルを挿入するように指定する。カテゴリカルデータが含まれる対応する列を削除する。
对于i=1:numel（categoricalInputNames）name=categoricalInputNames（i）；oh=onehotcode（tbl（：，name））；tbl=addvars（tbl，oh，“后”、名称);台(:名字)= [];终止
関数斯普利瓦茨を使用して,ベクトルを別々の列に分割します。
台= splitvars(台);
桌子の最初の数行を表示します。カテゴリカル予測子が、カテゴリカル値を変数名として複数の列に分割されていることに注意してください。
头(台)
ans=表8×23SigMean SigMedian SigRMS SigVar SigPeak SigPeak 2peak SigSkewness SigKurtosis SigCrestFactor SigMAD SigRangeCumSum SigCorrDimension SigApproxEntropy SigLyapExponent PeakFreq HighFreqPower EnvPower peakspec峰度无传感器漂移传感器漂移无轴磨损轴磨损齿轮齿状况________ _________ ______ _______ _______ _______________________ ___________ ______________ _______ ______________ ________________ ________________ _______________ ________ _____________ ________ ________________ _______________ ____________ _____________ __________ __________________ - 0.94876 -0.9722 1.3726 0.98387 0.81571 3.6314 -0.041525 2.2666 2.0514 0.8081 1.1429 0.031581 79.931 28562 06.75 e-06 3.23 e-07 162.13 0 1 1 0没有牙齿错-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 5.08 e-08 9.16 e-08 226.12 0 1 1 0没有牙齿错1.0502 1.0267 1.4449 0.98491 2.8157 3.6314 -0.04162 2.2658 1.9487 0.80853 31710 1.1479 0.031565 125.19 6.74 e-06 2.85 e-07 162.13 0 1 0 1没有牙错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 1.00012.8157 3.6314 -0.02659 2.2439 1.9638 0.81589 31102 1.0985 0.033427 64.576 2.55 e-06 1.65 e-07 230.39 0 1 0 1没有牙齿错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 1.73 e-06 1.55 e-07 230.39 0 1 0 1没有牙齿错1.0459 1.0257 1.4402 0.98047 2.8157 3.6314 -0.035405 2.2757 1.955 0.8058331554 1.1345 0.0353 44.223 0 1.11e-06 1.39e-07 230.39 0 1 0 1 No Tooth Fault
データセットのクラス名を表示します。
一会=类别(台{:,labelName})
类名=2×1电池{‘无齿故障’}{‘齿故障}
次に、データ セットを学習用区画とテスト用区画に分割します。データの 15% をテスト用に残しておきます。
各区画の観測数を求めます。
numObservations=大小（待定，1）；numObservationsTrain=地板（0.85*numObservations）；numObservationsTest=numObservations-numObservationsTrain；
観測値に対応するランダムなインデックスの配列を作成し,区画サイズを使用して分割します。
idx = randperm (numObservations);idxTrain = idx (1: numObservationsTrain);idxTest = idx (numObservationsTrain + 1:结束);
インデックスを使用して、データの 桌子を学習用、検証用、およびテスト用の区画に分割します。
tblTrain=tbl（idxTrain，：）；tblTest=tbl（idxTest，：）；
特徴入力層を使用してネットワークを定義し,特徴の数を指定します。またzスコア正規化を使用してデータを正規化するように入力層を構成します。
numFeatures=size（待定，2）-1；NumClass=numel（类名）；layers=[featureInputLayer（numFeatures，“归一化”,“zscore”)fullyConnectedLayer（50）批次规格化层reluLayer fullyConnectedLayer（numClasses）softmaxLayer分类层]；
学習オプションを指定します。
miniBatchSize=16；选项=培训选项(“亚当”,．..“MiniBatchSize”miniBatchSize,．..“洗牌”,“every-epoch”,．..“情节”,“训练进步”,．..“详细”、假);
层、学習データ、および学習オプションによって定義されたアーキテクチャを使用して、ネットワークに学習させます。
net=列车网络（TBL列车、层、选项）；
学習済みネットワークを使用してテスト データのラベルを予測し、精度を計算します。精度は、ネットワークが正しく予測するラベルの比率です。
YPred=分类（净、待测试、，“MiniBatchSize”，miniBatchSize）；YTest=tblTest{：，labelName}；精度=sum（YPred==YTest）/numel（YTest）
精度= 0.9688
入力引数
出力引数
詳細
参照
工藤，富山，新博。“使用通过区域的多维曲线分类”。模式识别字母。第20卷，第11-13期，第1103-1111页。
[2] 日本元音数据集。https://archive.ics.uci.edu/ml/datasets/Japanese+元音
拡張機能
您还可以从以下列表中选择网站：
