这个例子展示了如何训练一个使用自定义学习率计划分类手写数字的网络。

可以训练大多数类型的神经网络trainNetwork而且trainingOptions功能。如果trainingOptions函数没有提供您需要的选项(例如，自定义学习速率计划)，那么您可以使用dlarray而且dlnetwork对象用于自动区分。的例子，展示如何重新训练一个预训练的深度学习网络trainNetwork功能,请参阅使用预训练网络的迁移学习．

训练深度神经网络是一项优化任务。把神经网络看成一个函数 $$f（X；\theta ）$$,在那里 $$X$$是网络输入，和 $$\theta$$是否设置了可学习的参数，可以进行优化 $$\theta$$这样就可以最小化一些基于训练数据的损失值。例如，优化可学习参数 $$\theta$$对于给定的输入 $$X$$有相应的目标 $$T$$，他们将预测之间的误差最小化 $$Y＝f（X；\theta ）$$而且 $$T$$．

所使用的损失函数取决于任务的类型。例如:

你可以使用梯度下降来优化目标:最小化损失 $$l$$通过迭代更新可学习参数 $$\theta$$通过使用与可学习参数相关的损失梯度，采取步骤达到最小值。梯度下降算法通常通过使用这种形式的更新步骤的变体来更新可学习参数 $${\theta }_{t+1}＝{\theta }_t-\rho \nabla l$$,在那里 $$t$$是迭代数， $$\rho$$是学习率，和 $$\nabla l$$表示梯度(损失相对于可学习参数的导数)。

此示例训练网络对手写数字进行分类基于时间的衰减学习率计划:对于每次迭代，求解器使用 ${\rho }_{\mathit{t}}＝\frac{{\rho }_0}{1+\mathit{k}\mathit{t}}$,在那里t是迭代数， $${\rho }_0$$初始学习率，和k就是衰变。

dataFolder = fullfile(toolboxdir(“nnet”)，“nndemos”，“nndatasets”，“DigitDataset”）;imds = imageDatastore(数据文件夹，.．.IncludeSubfolders = true,.．.．LabelSource =“foldernames”）;

[imdsTrain,imdsValidation] = splitEachLabel(imds,0.9，“随机”）;

inputSize = [28 28 1];pixelRange = [-5 5];imageAugmenter = imageDataAugmenter(.．.RandXTranslation = pixelRange,.．.RandYTranslation = pixelRange);augimdsTrain = augmentedImageDatastore(inputSize(1:2)，imdsTrain,DataAugmentation=imageAugmenter);

augimdsValidation = augmentedImageDatastore(inputSize(1:2)，imdsValidation);

classes = categories(imdsTrain.Labels);numClasses = nummel(类);

layers = [imageInputLayer(inputSize，归一化=“没有”) convolution2dLayer(5、20、填充=“相同”) batchNormalizationLayer relullayer卷积2dlayer(3,20，填充=“相同”) batchNormalizationLayer relullayer卷积2dlayer(3,20，填充=“相同”) batchNormalizationLayer reluLayer fullyConnectedLayer(numClasses) softmaxLayer];

Net = dlnetwork(layers)

net = dlnetwork with properties: Layers: [12×1 nnet.cnn.layer.Layer] Connections: [11×2 table] Learnables: [14×3 table] State: [6×3 table] InputNames: {'imageinput'} OutputNames: {'softmax'} Initialized: 1使用summary查看summary。

numEpochs = 10;miniBatchSize = 128;

initialLearnRate = 0.01;衰减= 0.01;动量= 0.9;

mbq = minibatchqueue(augimdsTrain，.．.MiniBatchSize = MiniBatchSize,.．.MiniBatchFcn = @preprocessMiniBatch,.．.MiniBatchFormat = [“SSCB”＂＂]);

速度= [];

numObservationsTrain = numel(imdsTrain.Files);numIterationsPerEpoch = ceil(numObservationsTrain / miniBatchSize);numIterations = nummepochs * numIterationsPerEpoch;

monitor = trainingProgressMonitor(指标=“损失”信息= (“时代”，“LearnRate”),包含=“迭代”）;

Epoch = 0;迭代= 0;%遍历epoch。而epoch < numEpochs && ~monitor。停止epoch = epoch + 1;% Shuffle数据。洗牌(兆贝可);在小批上循环。而Hasdata (mbq) && ~monitor。停止迭代=迭代+ 1;读取小批数据。[X,T] = next(mbq);使用dlfeval和% modelLoss函数并更新网络状态。[loss,gradients,state] = dlfeval(@modelLoss,net,X,T);网状态=状态;确定基于时间的衰减学习率计划的学习率。learnRate = initialLearnRate/(1 +衰减*迭代);使用SGDM优化器更新网络参数。[net,velocity] = sgdmupdate(net,gradients,velocity,learnRate,momentum);更新培训进度监视器。recordMetrics(监控、迭代损失=损失);updateInfo(监控、时代=时代LearnRate = LearnRate);班长。进度= 100 * iteration/numIterations;结束结束

numOutputs = 1;mbqTest = minibatchqueue(augimdsValidation,numOutputs，.．.MiniBatchSize = MiniBatchSize,.．.MiniBatchFcn = @preprocessMiniBatchPredictors,.．.MiniBatchFormat =“SSCB”）;

YTest = modelforecasts (net,mbqTest,classes);

TTest = imdsValidation.Labels;精度=平均值(TTest == YTest)

准确度= 0.9750

次图confusionchart (tt)

函数[loss,gradients,state] = modelLoss(net,X,T)通过网络转发数据。[Y，状态]= forward(net,X);计算交叉熵损失。损失=交叉熵(Y,T);计算相对于可学习参数的损失梯度。gradients = dlgradient(loss,net.Learnables);结束

函数Y = modelforecasts (net,mbq,classes) Y = [];在小批上循环。而hasdata(mbq) X = next(mbq);做预测。分数=预测(净，X);解码标签并附加到输出。标签= onehotdecode(分数，类，1)';Y = [Y;标签);结束结束

函数[X,T] = preprocessMiniBatch(dataX,dataT)预处理预测器。X = preprocessMiniBatchPredictors(dataX);从单元格和级联中提取标签数据。T = cat(2,dataT{1:end});单热编码标签。T = onehotencode(T,1);结束

函数X = preprocessMiniBatchPredictors(dataX)%连接。X = cat(4,dataX{1:end});结束