TrainingOptionsRMSProp
RMSProp优化器的训练选项
描述
RMSProp(均方根传播)优化器的训练选项,包括学习率信息,L2正则化因子和小批量大小。
创建
创建一个TrainingOptionsRMSProp
对象使用trainingOptions
并指定“rmsprop”
作为第一个输入参数。
属性
图和显示
情节
- - - - - -网络训练时显示的图
“没有”
|“训练进步”
在网络训练期间显示的图,指定为以下之一:
“没有”
—训练过程中严禁展示情节。“训练进步”
-情节训练进度。该图显示了小批损失和准确性,验证损失和准确性,以及关于训练进度的附加信息。该情节有一个停止按钮在右上角。点击按钮停止训练,返回网络当前状态。您可以通过单击将训练图保存为图像或PDF出口培训地块.有关训练进度图的更多信息,请参见监控深度学习训练进度.
详细的
- - - - - -显示培训进度信息的指示器
1
(真正的)(默认)|0
(假)
在命令窗口中显示培训进度信息的指示器,指定为1
(真正的)或0
(假)。
详细输出显示如下信息:
网络的分类
场 | 描述 |
---|---|
时代 |
时代的数字。epoch对应于数据的完整传递。 |
迭代 |
迭代数。迭代对应于一个小批处理。 |
时间 |
时间以小时、分钟和秒为单位流逝。 |
Mini-batch准确性 |
小批量分类的准确性。 |
验证准确性 |
验证数据的分类精度。如果不指定验证数据,则函数不会显示此字段。 |
Mini-batch损失 |
小批上的损失。如果输出层是aClassificationOutputLayer 对象,则对于互斥类的多类分类问题,损失为交叉熵损失。 |
确认损失 |
验证数据的损失。如果输出层是aClassificationOutputLayer 对象,则对于互斥类的多类分类问题,损失为交叉熵损失。如果不指定验证数据,则函数不会显示此字段。 |
基础学习率 |
基础学习率。软件将各层的学习速率因子乘以这个值。 |
回归网络
场 | 描述 |
---|---|
时代 |
时代的数字。epoch对应于数据的完整传递。 |
迭代 |
迭代数。迭代对应于一个小批处理。 |
时间 |
时间以小时、分钟和秒为单位流逝。 |
Mini-batch RMSE |
小批上的均方根误差(RMSE)。 |
验证RMSE |
验证数据上的RMSE。如果不指定验证数据,则软件不会显示此字段。 |
Mini-batch损失 |
小批上的损失。如果输出层是aRegressionOutputLayer 对象,则损失为半均方误差。 |
确认损失 |
验证数据的损失。如果输出层是aRegressionOutputLayer 对象,则损失为半均方误差。如果不指定验证数据,则软件不会显示此字段。 |
基础学习率 |
基础学习率。软件将各层的学习速率因子乘以这个值。 |
当训练停止时,详细输出显示停止的原因。
要指定验证数据,请使用ValidationData
培训的选择。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|逻辑
VerboseFrequency
- - - - - -详细打印的频率
50
(默认)|正整数
详细打印的频率,即打印到命令窗口之间的迭代次数,指定为正整数。此选项仅在详细的
培训选项为1
(真正的)。
如果你在训练期间验证了网络,那么trainNetwork
还在每次验证发生时打印到命令窗口。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
Mini-Batch选项
MaxEpochs
- - - - - -最大epoch数
30.
(默认)|正整数
用于训练的最大epoch数,指定为正整数。
迭代是梯度下降算法中使用小批最小化损失函数的一个步骤。epoch是训练算法在整个训练集上的完整传递。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
MiniBatchSize
- - - - - -小批尺寸
128
(默认)|正整数
用于每个训练迭代的小批的大小,指定为正整数。迷你批处理是训练集的子集,用于评估损失函数的梯度并更新权重。
如果小批量大小没有平均分配训练样本的数量,则trainNetwork
丢弃不适合每个epoch的最后完整小批的训练数据。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
洗牌
- - - - - -数据变换选项
“一次”
|“永远”
|“every-epoch”
数据变换选项,指定为以下之一:
“一次”
-在培训前对培训和验证数据进行一次洗牌。“永远”
—禁止数据shuffle。“every-epoch”
-在每个训练纪元之前洗牌训练数据,在每个网络验证之前洗牌验证数据。如果小批量大小没有平均分配训练样本的数量,则trainNetwork
丢弃不适合每个epoch的最后完整小批的训练数据。为避免在每个纪元丢弃相同的数据,请设置洗牌
培训选项“every-epoch”
.
验证
ValidationData
- - - - - -培训期间用于验证的数据
[]
(默认)|数据存储|表格|单元阵列
在培训期间用于验证的数据,指定为[]
、包含验证预测器和响应的数据存储、表或单元格数组。
类支持的相同格式可以指定验证预测器和响应万博1manbetxtrainNetwork
函数。可以将验证数据指定为数据存储、表或单元格数组}{预测,反应
,在那里预测
包含验证预测器和反应
包含验证响应。
有关更多信息,请参见图片
,序列
,特性
的输入参数trainNetwork
函数。
在培训期间,trainNetwork
计算验证数据的验证精度和验证损失。要指定验证频率,请使用ValidationFrequency
培训的选择。您还可以使用验证数据在验证损失停止减少时自动停止训练。若要启用自动验证停止,请使用ValidationPatience
培训的选择。
如果你的网络在预测期间的行为与训练期间的行为不同(例如,退出层),那么验证精度可以高于训练(小批量)精度。
验证数据根据洗牌
培训的选择。如果洗牌
是“every-epoch”
,然后在每次网络验证之前对验证数据进行洗牌。
如果ValidationData
是[]
,则软件在训练过程中不会验证网络。
ValidationFrequency
- - - - - -网络验证频率
50
(默认)|正整数
网络验证在迭代次数中的频率,指定为正整数。
的ValidationFrequency
值是验证指标评估之间的迭代次数。要指定验证数据,请使用ValidationData
培训的选择。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
ValidationPatience
- - - - - -停止验证的耐心
正
(默认)|正整数
网络训练的验证停止耐心,指定为正整数或正
.
ValidationPatience
指定在网络训练停止之前,验证集上的损失可以大于或等于之前最小损失的次数。如果ValidationPatience
是正
,则验证损失的值不会导致训练提前停止。
返回的网络依赖于OutputNetwork
培训的选择。若要返回具有最低验证损失的网络,请设置OutputNetwork
培训选项“best-validation-loss”
.
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
OutputNetwork
- - - - - -培训完成后返回网络
最后一次迭代的
(默认)|“best-validation-loss”
网络在培训完成时返回,指定为以下之一:
最后一次迭代的
-返回上次训练迭代对应的网络。“best-validation-loss”
-返回验证损失最小的训练迭代所对应的网络。要使用此选项,必须指定ValidationData
培训的选择。
解算器选项
InitialLearnRate
- - - - - -初始学习率
0.001
(默认)|积极的标量
用于训练的初始学习率,指定为正标量。
如果学习率太低,那么训练就需要很长时间。如果学习率太高,那么训练可能会达到次优结果或发散。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
LearnRateScheduleSettings
- - - - - -学习率计划的设置
结构
此属性是只读的。
学习率计划的设置,以结构形式指定。LearnRateScheduleSettings
有场地方法
,指定调整学习率的方法类型。可能的方法是:
“没有”
-在整个训练过程中,学习率是恒定的。“分段”
—在训练过程中,学习率会周期性下降。
如果方法
是“分段”
,然后LearnRateScheduleSettings
包含两个字段:
DropRateFactor
-在训练期间学习率下降的乘法因子DropPeriod
-在训练过程中,调整到学习率之间所经过的epoch数
使用指定学习进度速率的设置trainingOptions
.
数据类型:结构体
L2Regularization
- - - - - -L的因子2正则化
0.0001
(默认)|负的标量
L的因子2正则化(权重衰减),指定为非负标量。有关更多信息,请参见L2正规化.
您可以为L指定一个乘数2具有可学习参数的网络层的正则化。有关更多信息,请参见在卷积层和全连接层中设置参数.
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
SquaredGradientDecayFactor
- - - - - -平方梯度移动平均衰减率
0.9
(默认)|非负标量小于1
RMSProp求解器的平方梯度移动平均的衰减率,指定为小于的非负标量1
.
衰减率的典型值为0.9
,0.99
,0.999
,对应于的平均长度10
,One hundred.
,1000
参数更新。
有关更多信息,请参见RMSProp.
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
ε
- - - - - -分母抵消
1 e-8
(默认)|积极的标量
RMSProp求解器的分母偏移量,指定为正标量。
求解器将偏移量添加到网络参数更新中的分母上,以避免除零。默认值适用于大多数任务。
有关不同求解器的更多信息,请参见RMSProp.
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
ResetInputNormalization
- - - - - -选项重置输入层归一化
1
(真正的)(默认)|0
(假)
重置输入层规范化的选项,指定为以下之一:
1
(true) -重置输入层归一化统计数据,并在训练时重新计算它们。0
(false) -在训练时计算归一化统计数据,当它们为空时。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|逻辑
BatchNormalizationStatistics
- - - - - -在批处理归一化层中计算统计信息的模式
“人口”
(默认)|“移动”
在批处理归一化层中计算统计数据的模式,指定为以下之一:
“人口”
-使用人口统计数据。训练结束后,软件通过再次传递训练数据来完成统计,并使用得到的平均值和方差。“移动”
-使用更新步骤给出的运行估计来估计训练期间的统计数据在哪里 而且 分别表示更新后的均值和方差, 而且 分别表示均值和方差衰减值, 而且 分别表示层输入的平均值和方差,和 而且 分别表示移动平均值和方差值的最新值。训练后,软件使用移动平均值和方差统计的最新值。此选项仅支持CPU和单G万博1manbetxPU训练。
梯度剪裁
GradientThreshold
- - - - - -梯度阈值
正
(默认)|积极的标量
梯度阈值,指定为正
或者一个正标量。的值GradientThreshold
,然后根据GradientThresholdMethod
培训的选择。
有关更多信息,请参见梯度剪裁.
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
GradientThresholdMethod
- - - - - -梯度阈值法
“l2norm”
(默认)|“global-l2norm”
|“绝对值”
梯度阈值方法用于剪辑超过梯度阈值的梯度值,指定为以下之一:
“l2norm”
-如果L2可学习参数的梯度范数大于GradientThreshold
,然后缩放梯度,使L2规范=GradientThreshold
.“global-l2norm”
—如果全局L2规范,l,大于GradientThreshold
,然后将所有梯度按倍缩放GradientThreshold /
l.全局L2Norm考虑所有可学习参数。“绝对值”
-如果一个可学习参数的梯度中个别偏导数的绝对值大于GradientThreshold
,然后将偏导数缩放为GradientThreshold
保留偏导数的符号。
有关更多信息,请参见梯度剪裁.
序列的选择
SequenceLength
- - - - - -选项垫或截断序列
“最长”
(默认)|“最短”
|正整数
填充、截断或分割输入序列的选项,指定为下列之一:
“最长”
-每个小批中的衬垫序列与最长序列具有相同的长度。这个选项不会丢弃任何数据,尽管填充会给网络带来噪声。“最短”
-截断每个小批中的序列,使其长度与最短序列相同。此选项确保不添加填充,但要以丢弃数据为代价。正整数-对于每个迷你批,将序列填充到迷你批中最长序列的长度,然后将序列分割成指定长度的更小的序列。如果发生分裂,那么软件将创建额外的小批。如果指定的序列长度没有平均分配数据的序列长度,则包含这些序列末端的小批的长度小于指定的序列长度。如果完整序列不适合内存,请使用此选项。或者,尝试通过设置。来减少每个小批的序列数
MiniBatchSize
选择较低的值。
有关填充、截断和分隔输入序列的效果的详细信息,请参见序列填充,截断和分割.
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|字符
|字符串
SequencePaddingDirection
- - - - - -填充或截断的方向
“正确”
(默认)|“左”
填充或截断方向,指定为下列之一:
“正确”
-填充或截断右边的序列。序列在同一时间步开始,软件截断或增加填充序列的结束。“左”
-填充或截断左边的序列。该软件截断或添加填充到序列的开始,以便序列在同一时间步结束。
因为循环层处理序列数据一次一步,当循环层OutputMode
属性是“最后一次”
,最后时间步长的任何填充都会对层输出产生负面影响。若要在左侧填充或截断序列数据,请设置SequencePaddingDirection
选项“左”
.
对于序列对序列网络(当OutputMode
属性是“序列”
对于每个循环层),第一次时间步骤中的任何填充都会对早期时间步骤的预测产生负面影响。若要在右侧填充或截断序列数据,请设置SequencePaddingDirection
选项“正确”
.
有关填充、截断和分隔输入序列的效果的详细信息,请参见序列填充,截断和分割.
SequencePaddingValue
- - - - - -填充序列的值
0
(默认)|标量
用于填充输入序列的值,指定为标量。
该选项仅当SequenceLength
是“最长”
或者一个正整数。不垫序列用南
,因为这样做会在整个网络中传播错误。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
硬件选项
ExecutionEnvironment
- - - - - -培训网络硬件资源
“汽车”
|“cpu”
|“图形”
|“multi-gpu”
|“平行”
用于培训网络的硬件资源,指定为下列之一:
“汽车”
—如果有图形处理器,请使用图形处理器。否则请使用CPU。“cpu”
—使用CPU。“图形”
—使用GPU。“multi-gpu”
—在一台机器上使用多个gpu,使用基于默认集群配置文件的本地并行池。如果当前没有并行池,软件将启动一个大小等于可用gpu数量的并行池。“平行”
—根据默认集群配置文件,使用本地或远端并行池。如果当前没有并行池,软件将使用默认集群配置文件启动一个并行池。如果池可以访问GPU,那么只有具有唯一GPU的工作者才能执行训练计算。如果池中没有gpu,则对所有可用的CPU worker进行培训。
有关何时使用不同执行环境的详细信息,请参见并行、gpu和云中扩展深度学习.
“图形”
,“multi-gpu”
,“平行”
选项需要并行计算工具箱™。要使用GPU进行深度学习,还必须有支持GPU的设备。万博1manbetx有关受支持设备的信息,请参见万博1manbetxGPU计算要求(并行计算工具箱).如果您选择了这些选项之一,而并行计算工具箱或合适的GPU不可用,则软件将返回一个错误。
要想在并行训练时看到性能的改善,请尝试扩大训练的规模MiniBatchSize
而且InitialLearnRate
训练选项的gpu数量。
的“multi-gpu”
而且“平行”
选项不支持包含带有状态参数的自万博1manbetx定义层或在训练时有状态的内置层的网络。例如:
循环层,例如
LSTMLayer
,BiLSTMLayer
,或GRULayer
对象时,SequenceLength
训练选项是一个正整数BatchNormalizationLayer
对象时,BatchNormalizationStatistics
培训选项设置为“移动”
WorkerLoad
- - - - - -并联工人负荷分配
标量的0
来1
|正整数|数值向量
gpu或cpu之间的并行工作负载分配,指定为以下之一:
标量的
0
来1
-每台机器上用于网络训练计算的工作人员的百分比。如果您使用启用后台调度的迷你批数据存储中的数据训练网络,那么其余的worker将在后台获取和预处理数据。正整数-每台机器上用于网络训练计算的工人数。如果您使用启用后台调度的迷你批数据存储中的数据训练网络,那么其余的worker将在后台获取和预处理数据。
数字矢量-网络对并行池中每个工作人员的训练负荷。对于一个向量
W
、工人我
得到一个分数W(我)/ (W)和
工作的数量(每小批样品的数量)。如果您使用启用后台调度的迷你批处理数据存储中的数据来训练网络,那么您可以分配一个0的工作者负载来使用该工作者在后台获取数据。指定的向量必须包含并行池中的每个worker的一个值。
如果并行池可以访问GPU,那么没有唯一GPU的工作线程永远不会用于训练计算。具有GPU的池的默认设置是使用所有具有唯一GPU的worker进行训练计算,其余worker用于后台调度。如果该池不能访问gpu,并且cpu用于培训,那么默认是每台机器使用一个worker进行后台数据调度。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
DispatchInBackground
- - - - - -启用后台调度的标志
0
(假)(默认)|1
(真正的)
启用后台调度(异步预取队列)从指定为的数据存储中读取训练数据的标志0
(虚假的)或1
(真正的)。后台调度需要并行计算工具箱。
DispatchInBackground
仅支持可分区的数万博1manbetx据存储。有关更多信息,请参见使用数据存储进行并行训练和后台调度.
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
检查点
CheckpointPath
- - - - - -检查点网络保存路径
""
(默认)|特征向量
保存检查点网络的路径,指定为字符向量或字符串标量。
如果没有指定路径(即,使用默认路径)
""
),则该软件不会保存任何检查点网络。如果指定路径,则
trainNetwork
将检查点网络保存到此路径,并为每个网络分配唯一名称。然后,您可以加载任何检查点网络,并从该网络恢复训练。如果该文件夹不存在,则必须先创建它,然后再指定保存检查点网络的路径。如果指定的路径不存在,则
trainingOptions
返回一个错误。
的CheckpointFrequency
而且CheckpointFrequencyUnit
选项指定保存检查点网络的频率。
有关保存网络检查点的详细信息,请参见保存检查点网络并恢复培训.
数据类型:字符
|字符串
CheckpointFrequency
- - - - - -保存检查点网络的频率
1
(默认)|正整数
保存检查点网络的频率,指定为正整数。
如果CheckpointFrequencyUnit
是“时代”
,然后软件保存每个检查点网络CheckpointFrequency
时代的发展。
如果CheckpointFrequencyUnit
是“迭代”
,然后软件保存每个检查点网络CheckpointFrequency
迭代。
此选项仅在以下情况下有效CheckpointPath
非空的。
数据类型:单
|双
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
CheckpointFrequencyUnit
- - - - - -检查点频率单位
“时代”
(默认)|“迭代”
检查点频率单位,指定为“时代”
或“迭代”
.
如果CheckpointFrequencyUnit
是“时代”
,然后软件保存每个检查点网络CheckpointFrequency
时代的发展。
如果CheckpointFrequencyUnit
是“迭代”
,然后软件保存每个检查点网络CheckpointFrequency
迭代。
此选项仅在以下情况下有效CheckpointPath
非空的。
OutputFcn
- - - - - -输出函数
函数处理|函数句柄的单元格数组
输出要在训练期间调用的函数,指定为函数句柄或函数句柄的单元格数组。trainNetwork
在训练开始前、每次迭代之后和训练结束后调用指定的函数一次。trainNetwork
传递一个包含以下字段信息的结构:
场 | 描述 |
---|---|
时代 |
当前纪元数 |
迭代 |
当前迭代次数 |
TimeSinceStart |
时间单位为秒,从训练开始算起 |
TrainingLoss |
电流小批损耗 |
ValidationLoss |
验证数据的损失 |
BaseLearnRate |
当前基本学习率 |
TrainingAccuracy |
当前小批的准确性(分类网络) |
TrainingRMSE |
当前小批上的RMSE(回归网络) |
ValidationAccuracy |
验证数据的准确性(分类网络) |
ValidationRMSE |
验证数据的RMSE(回归网络) |
状态 |
当前训练状态,可能值为“开始” ,“迭代” ,或“完成” . |
如果一个字段不是计算出来的,或者与输出函数的某个调用无关,那么该字段包含一个空数组。
您可以使用输出函数来显示或绘制进度信息,或者停止训练。为了尽早停止训练,让输出函数返回1
(真正的)。如果任何输出函数返回1
(正确),然后训练结束trainNetwork
返回最新的网络。有关显示如何使用输出函数的示例,请参见深度学习网络训练中的自定义输出.
数据类型:function_handle
|细胞
例子
为RMSProp优化器创建训练选项
使用RMSProp优化器创建一组用于训练神经网络的选项。将训练的最大epoch数设置为20,并在每次迭代中使用64个观测值的迷你批处理。指定学习率和梯度平方移动平均的衰减率。打开训练进度图。
options = trainingOptions(“rmsprop”,...InitialLearnRate = 3的军医,...SquaredGradientDecayFactor = 0.99,...MaxEpochs = 20,...MiniBatchSize = 64,...情节=“训练进步”)
options = TrainingOptionsRMSProp与属性:SquaredGradientDecayFactor: 0.9900 Epsilon: 1.0000 -08 InitialLearnRate: 3.0000 -04 learnratesschedule: 'none' LearnRateDropFactor: 0.1000 LearnRateDropPeriod: 10 L2Regularization: 1.0000 -04 GradientThresholdMethod: 'l2norm' GradientThreshold: Inf MaxEpochs: 20 MiniBatchSize: 64 Verbose: 1 VerboseFrequency: 50 ValidationData: [] ValidationFrequency: 50 ValidationPatience: Inf Shuffle: 'once' CheckpointPath: " CheckpointFrequency: "1 CheckpointFrequencyUnit: 'epoch' ExecutionEnvironment: 'auto' WorkerLoad: [] OutputFcn: [] Plots: 'training-progress' SequenceLength: 'longest' SequencePaddingValue: 0 SequencePaddingDirection: 'right' DispatchInBackground: 0 ResetInputNormalization: 1 BatchNormalizationStatistics: 'population' OutputNetwork: 'last-iteration'
算法
RMSProp
有动量的随机梯度下降对所有参数使用单一的学习率。其他优化算法试图通过使用随参数不同的学习率来改进网络训练,并且可以自动适应正在优化的损失函数。RMSProp(均方根传播)就是这样一种算法。它保持参数梯度的逐元素平方的移动平均值,
β2是移动平均线的衰减率。衰减率的常见值为0.9、0.99和0.999。相应的梯度平方的平均长度相等1 /(1 -β2),即参数更新次数分别为10次、100次和1000次。你可以指定β2通过使用SquaredGradientDecayFactor
培训选项。RMSProp算法使用这个移动平均来单独规范化每个参数的更新,
其中按元素执行除法。使用RMSProp可以有效地降低梯度大的参数的学习率,提高梯度小的参数的学习率。ɛ为避免除零而加的一个小常数。你可以指定ɛ通过使用ε
培训选项,但默认值通常工作良好。使用RMSProp训练神经网络,指定“rmsprop”
作为第一个输入trainingOptions
.
l2正则化
在损失函数中添加权重的正则化项 是减少过拟合的一种方法吗[1],[2].正则化项也被称为体重衰变.具有正则化项的损失函数为
在哪里 是权向量, 是正则化因子(系数),还是正则化函数 是
注意偏差不是正则化的[2].您可以指定正则化因子
通过使用L2Regularization
培训的选择。您还可以为不同的层和参数指定不同的正则化因子。有关更多信息,请参见在卷积层和全连接层中设置参数.
该软件用于网络训练的损失函数包括正则化项。但是,在训练过程中,命令窗口和训练进度图中显示的损失值仅为数据上的损失,不包括正则化项。
梯度剪裁
如果梯度以指数级增长,那么训练是不稳定的,并且可以在几次迭代中发散。这种“梯度爆炸”是由训练损失表示的南
或正
.梯度裁剪通过在较高的学习率和存在异常值的情况下稳定训练,有助于防止梯度爆炸[3].梯度裁剪可以使网络训练得更快,而且通常不会影响学习任务的准确性。
梯度裁剪有两种类型。
基于范数的梯度裁剪根据阈值重新缩放梯度,并且不改变梯度的方向。的
“l2norm”
而且“global-l2norm”
的值GradientThresholdMethod
是基于范数的梯度裁剪方法。基于值的梯度剪辑剪辑任何偏导数大于阈值,这可能导致梯度任意改变方向。基于值的梯度裁剪可能具有不可预测的行为,但足够小的变化不会导致网络发散。的
“绝对值”
的价值GradientThresholdMethod
是一种基于值的梯度裁剪方法。
版本历史
在R2018a中引入R2022b:trainNetwork
在指定拆分之前,将小批填充到最长序列的长度SequenceLength
训练选项为整数
从R2022b开始,当您使用序列数据训练网络时trainNetwork
功能和SequenceLength
选项为整数,软件将序列填充为每个mini-batch中最长序列的长度,然后按照指定的序列长度将序列分割为mini-batch。如果SequenceLength
没有均匀划分小批的序列长度,那么最后一个分割小批的长度小于SequenceLength
.此行为防止网络在只包含填充值的时间步长上进行训练。
在以前的版本中,软件填充小批量的序列,使其长度匹配最接近的倍数SequenceLength
它大于或等于迷你批处理长度,然后分割数据。若要重现此行为,请在预处理小批数据时使用自定义训练循环并实现此行为。
R2018b:ValidationPatience
培训选项默认为正
的默认值,从R2018b开始ValidationPatience
培训选项为正
,这意味着通过验证自动停止被关闭。这种行为可以防止在充分学习数据之前停止训练。
在以前的版本中,默认值为5
.要重现此行为,请设置ValidationPatience
选项5
.
Abrir比如
Tiene una versión modificada de este ejemplo。¿Desea abrir este ejemplo con sus modificaciones?
MATLAB突击队
Ha hecho clic en unenlace que对应一个este commando de MATLAB:
Ejecute el comando introduciéndolo en la ventana de comandos de MATLAB。Los navegadores web no admit comandos de MATLAB。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。