sgdmupdate
更新参数使用随机梯度下降法和动力(个)
语法
描述
更新网络可学的参数在一个定制的培训循环使用随机梯度下降法和动量(个)算法。
请注意
这个函数应用个优化算法来更新网络参数定义为自定义训练循环使用网络dlnetwork对象或函数模型。如果你想训练一个网络定义为一个层数组或作为一个LayerGraph,使用以下功能:
创建一个
TrainingOptionsSGDM对象使用trainingOptions函数。使用
TrainingOptionsSGDM对象的trainNetwork函数。
例子
更新可学的参数使用sgdmupdate
执行一个更新的全球学习速率0.05和动量的0.95。
创建参数和参数渐变为数值型数组。
params =兰德(3、3、4);研究生= 1 (3、3、4);
初始化参数为第一个迭代速度。
韦尔= [];
指定自定义全球学习速率和动量的值。
learnRate = 0.05;动量= 0.95;
更新可学的参数使用sgdmupdate。
(params,韦尔)= sgdmupdate (params,研究生,或者,learnRate,动量);
列车网络的使用sgdmupdate
使用sgdmupdate使用个算法来训练网络。
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最后,列出的例子。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。
指定培训选项
培训期间指定要使用的选项。
miniBatchSize = 128;numEpochs = 20;numObservations =元素个数(TTrain);numIterationsPerEpoch =地板(numObservations. / miniBatchSize);
列车网络的
初始化速度参数。
韦尔= [];
计算迭代的总数的培训进度监控。
numIterations = numEpochs * numIterationsPerEpoch;
初始化TrainingProgressMonitor对象。因为计时器开始创建监视器对象时,确保你创建对象接近的训练循环。
监控= = trainingProgressMonitor(指标“损失”信息=“时代”包含=“迭代”);
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。更新网络参数使用sgdmupdate函数。在每次迭代结束时,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。万博1manbetx支持设备的信息,请参阅万博1manbetxGPU计算的需求(并行计算工具箱)。
迭代= 0;时代= 0;而时代< numEpochs & & ~班长。停止时代=时代+ 1;%洗牌数据。idx = randperm(元素个数(TTrain));XTrain = XTrain (:,:,:, idx);TTrain = TTrain (idx);我= 0;而我< numIterationsPerEpoch & & ~班长。停止我= + 1;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);%更新使用个优化网络参数。(净,韦尔)= sgdmupdate(净、渐变韦尔);%更新培训进度监控。recordMetrics(监控、迭代损失=损失);updateInfo(监视、时代=时代+“的”+ numEpochs);班长。进步= 100 *迭代/ numIterations;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= 0.9916
损失函数模型
的modelLoss函数接受一个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
输入参数
输出参数
更多关于
扩展功能
版本历史
介绍了R2019b
