trainNetwork
训练深度学习神经网络
语法
描述
对于分类和回归任务，您可以使用trainNetwork函数。
例如，你可以培训:
图像数据的卷积神经网络（ConvNet，CNN）
诸如长短期存储器（LSTM）的经常性神经网络（RNN）或用于序列和时间序列数据的GED门控复发单元（GRU）网络
用于数值特征数据的多层感知器(MLP)网络
您可以在CPU或GPU上培训。对于图像分类和图像回归，您可以使用多个GPU或本地或远程并行池并行培训单个网络。在GPU或并行训练需要并行计算工具箱™。要使用GPU进行深度学习，您还必须有支持的GPU设备。万博1manbetx有关支持的设备的信息，请参见万博1manbetxGPU通万博1manbetx过发布支持（并行计算工具箱）．要指定培训选项，包括执行环境的选项，请使用培训选项函数。
在训练神经网络时，可以将预测器和响应指定为单个输入或两个单独的输入。
例子
图像分类训练网络
将数据加载为ImageDatastore对象。
digitDatasetPath = fullfile (matlabroot,“工具箱”，'nnet'，．..“nndemos”，“nndatasets”，“DigitDataset”）;imd = imageDatastore (digitDatasetPath,．..“IncludeSubfolders”，真的，．..“LabelSource”，“foldernames”）;
该数据存储包含10,000个从0到9的合成图像。这些图像是通过对使用不同字体创建的数字图像应用随机转换生成的。每个数字图像是28 × 28像素。数据存储中每个类别包含相同数量的图像。
在数据存储中显示一些图像。
图numimages = 10000;perm = randperm（numimages，20）;为I = 1:20 subplot(4,5, I);imshow (imds.Files{烫发(i)});drawnow;结束
划分数据存储，以便培训集中的每个类别具有750个图像，并且测试集具有来自每个标签的剩余图像。
numTrainingFiles = 750;[imdsTrain, imdsTest] = splitEachLabel (imd, numTrainingFiles“随机”）;
splitEachLabel分割图像文件digitdata.存入两个新的数据存储，imdsTrain和imdsTest．
定义卷积神经网络结构。
层= [．..imageInputLayer([28 28 1])卷积2dlayer (5,20) reluLayer maxPooling2dLayer(2, 20)“步”，2）全连接列（10）SoftmaxLayer分类层];
将动量随机梯度下降的选项设置为默认设置。设置最大纪元数为20，初始学习率为0.0001，开始训练。
选择= trainingOptions (“个”，．..“MaxEpochs”, 20岁,．..“InitialLearnRate”，1e-4，．..“详细”假的,．..“阴谋”，'培训 - 进步'）;
培训网络。
网= trainNetwork (imdsTrain层,选项);
在未用于训练网络的测试集中运行训练网络，并预测图像标签(数字)。
YPred =分类(净,imdsTest);欧美= imdsTest.Labels;
计算的准确性。准确率是测试数据中与分类匹配的真标签数的比率分类到测试数据中的图像数量。
精度= sum(YPred == YTest)/numel(YTest)
精度= 0.9420.
带有增强图像的列车网络
利用增强图像数据训练卷积神经网络。数据增强有助于防止网络过度拟合和记忆训练图像的确切细节。
加载样本数据，由手写数字的合成图像组成。
[XTrain, YTrain] = digitTrain4DArrayData;
digittrain4darraydata.将数字训练集加载为4-D阵列数据。XTrain是一个28 × 28 × 1 × 5000的数组，其中:
28是图像的高度和宽度。
1是通道的数量。
5000是手写数字合成图像的数量。
YTrain是包含每个观察的标签的分类向量。
预留1000个图像用于网络验证。
idx = randperm(大小(XTrain, 4), 1000);XValidation = XTrain (:,:,:, idx);XTrain (::,:, idx) = [];YValidation = YTrain (idx);YTrain (idx) = [];
创建一个imageDataAugmenter对象，该对象指定用于图像增强的预处理选项，如调整大小、旋转、平移和反射。随机将图像水平和垂直平移到三个像素，并旋转图像的角度高达20度。
imageAugmenter = imageDataAugmenter (．..“RandRotation”(-20年,20),．..'randxtranslation'3 [3],．..“RandYTranslation”3 [3])
imageAugmenter = imageDataAugmenter with properties: 0 RandXReflection: 0 RandYReflection: 0 RandRotation: [-20 20] RandScale: [1 1] RandXScale: [1 1] RandYScale: [1 1] RandXShear: [0 0] RandYShear: [0 0] RandXTranslation: [-3 3] RandYTranslation: [-3 3]
创建一个AugmentedimageGedataStore.对象用于网络训练并指定图像输出大小。在训练期间，数据存储执行图像增强和调整图像的大小。数据存储增加图像而不保存任何图像到内存。trainNetwork更新网络参数，然后丢弃增强后的图像。
imageSize = [28 28 1];augimds = augmentedImageDatastore(图象尺寸、XTrain YTrain,“DataAugmentation”, imageAugmenter);
指定卷积神经网络结构。
[imageInputLayer(imageSize)] = [imageInputLayer(imageSize)]'填充'，'相同的'maxPooling2dLayer(2，“步”，2）卷积2dlayer（3,16，'填充'，'相同的'maxPooling2dLayer(2，“步”，2）卷积2dlayer（3,32，'填充'，'相同的') batchNormalizationLayer relullayer fulllyconnectedlayer (10) softmaxLayer classificationLayer];
为带动量的随机梯度下降指定训练选项。
选择=培训选项（“个”，．..“MaxEpochs”15，．..'洗牌'，'每个时代'，．..“阴谋”，'培训 - 进步'，．..“详细”假的,．..“ValidationData”, {XValidation, YValidation});
培训网络。由于验证图像未增强，所以验证精度高于训练精度。
网= trainNetwork (augimds层,选择);
图像回归训练网络
加载样本数据，由手写数字的合成图像组成。第三输出包含每个图像旋转的度数的相应角度。
以4-D数组的形式加载训练图像digittrain4darraydata.．输出XTrain是一个28 × 28 × 1 × 5000的数组，其中:
28是图像的高度和宽度。
1是通道的数量。
5000是手写数字合成图像的数量。
YTrain包含度数的旋转角度。
[XTrain ~, YTrain] = digitTrain4DArrayData;
显示20个随机训练图像使用imshow．
figure numTrainImages = nummel (YTrain);idx = randperm (numTrainImages 20);为i = 1：numel（idx）子图（4,5，i）imshow（xtrain（：，：，：，iDx（i）））绘制;结束
指定卷积神经网络结构。对于回归问题，包括在网络末尾的回归层。
层= [．..imageInputLayer([28 28 1])卷积2dlayer (12,25) reluLayer fulllyconnectedlayer (1) regressionLayer];
指定网络培训选项。将初始学习速度设置为0.001。
选择= trainingOptions (“个”，．..“InitialLearnRate”，0.001，．..“详细”假的,．..“阴谋”，'培训 - 进步'）;
培训网络。
网= trainNetwork (XTrain、YTrain层,选择);
通过评估测试数据的预测准确性来测试网络的性能。使用预测来预测验证图像的旋转角度。
[XTest ~,欧美]= digitTest4DArrayData;YPred =预测(净,XTest);
通过计算预测和实际旋转角度的根均方误差（RMSE）来评估模型的性能。
rmse =√(mean((YTest - YPred).^2)))
RMSE =.单身的6.0356
序列分类训练网络
训练深度学习LSTM网络用于序列到标签的分类。
如[1]和[2]中所述加载日语元音数据集。XTrain是一个细胞阵列，包含270个不同长度的序列，具有12个特征，对应于LPC倒谱系数。Y是标签1,2，...，9的分类矢量。参赛作品XTrain是具有12行的矩阵（每个特征的一行）和不同数量的列（每次步骤一列）。
[Xtrain，Ytrain] = JapanesevowelstrainData;
想象情节中的第一个时间序列。每一行对应一个特征。
图绘制(XTrain{1}”)标题(“训练观察1”) numFeatures = size(XTrain{1}，1);传奇(“特性”+字符串(1:numFeatures),'地点'，“northeastoutside”）
定义LSTM网络架构。指定输入大小为12(输入数据的特征数量)。指定一个LSTM层有100个隐藏单元，并输出序列的最后一个元素。最后，通过包含大小为9的完全连接层、softmax层和分类层来指定9个类。
inputSize = 12;numHiddenUnits = 100;numClasses = 9;层= [．..sequenceInputLayer（InputSize）LSTMLAYER（NUMHIDNEDURITS，'OutputMode'，“最后一次”)软连接层(numClasses)
图层= 5×1层阵列，带有图层：1''序列输入序列输入，带12尺寸2''LSTM LSTM，具有100个隐藏单元3'完全连接的9个完全连接的第4层''Softmax SoftMax 5''分类输出CrossentRopyex
指定培训选项。指定求解器为'亚当'和“GradientThreshold”为1。设置mini-batch size为27，最大epoch数为70。
因为迷你批很小，序列很短，所以CPU更适合于训练。集“ExecutionEnvironment”到“cpu”．如果需要在GPU上进行训练，请设置“ExecutionEnvironment”到“汽车”(默认值)。
maxEpochs = 70;miniBatchSize = 27个;选择= trainingOptions ('亚当'，．..“ExecutionEnvironment”，“cpu”，．..“MaxEpochs”，maxepochs，．..'minibatchsize'miniBatchSize,．..“GradientThreshold”，1，．..“详细”假的,．..“阴谋”，'培训 - 进步'）;
使用指定的培训选项列车LSTM网络。
网= trainNetwork (XTrain、YTrain层,选择);
加载测试集并将序列分类为扬声器。
[XTest,欧美]= japaneseVowelsTestData;
对测试数据进行分类。指定与培训相同的小批量大小。
XTest YPred =分类(净,'minibatchsize', miniBatchSize);
计算预测的分类精度。
acc = sum(YPred == YTest)./numel(YTest)
ACC = 0.9514.
具有数字特征的列车网络
如果您有一组数字特征数据(例如一组没有空间或时间维度的数字数据)，那么您可以使用特征输入层训练一个深度学习网络。
从CSV文件中读取传输框数据“transmissionCasingData.csv”．
文件名=“transmissionCasingData.csv”；tbl = readtable（文件名，'texttype'，'细绳'）;
将标签转换为使用分类的预测convertvars函数。
labelName =“GearToothCondition”；台= convertvars(资源描述、labelName'分类'）;
要使用分类特征训练网络，必须首先将分类特征转换为数字。首先，将分类预测符转换为分类预测符convertvars函数的方法是指定一个包含所有分类输入变量名称的字符串数组。在这个数据集中，有两个带有名称的分类特性“SensorCondition”和“shaftcondition”．
categoricalInputNames = [“SensorCondition”“shaftcondition”];台= convertvars(资源描述、categoricalInputNames'分类'）;
循环分类输入变量。为每一个变量:
属性将分类值转换为一个热点编码向量
onehotencode函数。使用介绍将单热量向量添加到表中
addvars.函数。指定在包含相应类别数据的列之后插入向量。删除包含分类数据的相应列。
为i = 1:numel(categoricalInputNames) name = categoricalInputNames(i);哦= onehotencode(资源描述(:,名字));台= addvars(资源描述,哦,'后'，姓名）;tbl（：，name）= [];结束
将vectors拆分为单独的列使用splitvars函数。
台= splitvars(台);
查看表的前几行。请注意，分类预测器被分割为多个列，其中分类值作为变量名。
头（TBL）
ans =.表8×23SigMean SigMedian SigRMS SigVar SigPeak SigPeak2Peak SigSkewness SigKurtosis SigCrestFactor SigMAD SigRangeCumSum SigCorrDimension SigApproxEntropy SigLyapExponent PeakFreq HighFreqPower EnvPower PeakSpecKurtosis无传感器漂移传感器漂移无轴的磨损轴的磨损GearToothCondition ________ _________ ______ _______ _______ ____________ ___________ ___________ ______________ _______ ______________ ________________ ________________ _______________ ________ _____________ ________ ________________ _______________ ____________ _______________________ __________________ -0.94876 -0.9722 1.3726 0.98387 0.81571 3.6314 -0.041525 2.2666 2.0514 0.8081 28562 1.1429 0.031581 79.931 0 6.75e-06 3.23e-07 162.13 0 1 1 0无齿故障-0.97537 -0.98958 1.3937 0.99105 0.81571 3.6314 -0.023777 2.2598 2.0203 0.81017 294181.1362 0.037835 70.325 0 5.08E-08 9.16E-08 226.12 0 1 1 0无齿故障1.0502 1.0267 1.4449 0.98491 2.8157 3.6314 -0.04162 2.2658 1.9487 0.80853 31712 0.80853 31710 1.1479 0.0.031565 125.19 0 6.74e-06 2.85E-07 162.13 0 1 0 1无齿故障1.0227 1.4288 0.99553 2.8157 3.6314 -0.016356 2.2483 1.9707 0.81324 30984 0.81324 30984 0.81324 30984 1.1472 0.0.0 4.0 4.0 4.0 40-071112.5 0 1 0 1/10 1 0 40 40-07 162.13 0 1 0 1无齿故障1.0123 1.0024 1.01230.99233 2.8157 3.6314 -0.014701 2.2542 1.9826 0.81156 30661 1.1469 0.03287 108.86 0 3.62E-06 2.28e-07 230.39 0 1 0 1无齿故障1.0275 1.0102 1.4338 1.0001 2.8157 3.6314 -0.02659 2.2439 1.9638 0.81589 31102 1.0985 0.033427 64.576 0 2.55e-06 1.65e-07 230.39 0 1 0 1无齿故障1.0464 1.0275 1.4477 1.0011 2.8157 3.6314 -0.042849 2.2455 1.9449 0.81595 2.9449 0.81595 1.9449 0.81595 3.9449 0.81595 3.9449 0.81595 31665 1.1415 0. 0.0 1.73C-06 1.552-07/12.81590 1.73C-06 0 1 0 1无齿FAULT 1.0459 1.0257 1.0257 1.0257 1.4402 0.9802 0.9802 0.9802 0.9802 0.9802 0.98027 1.0.035405 2.2757 1.955 0.80583 0.80583 31554 1.1345 0.0353 44.223 0 1.11E-06 1.39E-07 230.39 0 1 0 1无齿故障
查看数据集的类名。
ClassNames =类别（TBL {：，labelName}）
一会=2×1细胞{'无牙齿故障'}{'牙齿故障'}
接下来，将数据分区设置为训练和测试分区。留出15％的测试数据。
确定每个分区的观察数。
numObservations =大小(1台);numObservationsTrain =地板(0.85 * numObservations);numObservationsTest = numObservations - numObservationsTrain;
使用分区大小创建与观察和分区对应的随机索引数组。
idx = randperm (numObservations);idxTrain = idx (1: numObservationsTrain);idxTest = idx (numObservationsTrain + 1:结束);
使用索引将数据表划分为训练、验证和测试分区。
tblTrain =(资源(idxTrain:);tblTest =(资源(idxTest:);
定义一个具有特征输入层的网络，并指定特征的数量。另外，配置输入层，使用Z-score标准化对数据进行标准化。
numFeatures = size(tbl,2) - 1;numClasses =元素个数(类名);[featureInputLayer(numFeatures，'正常化'，“zscore”）fullyConnectedLayer（50）batchNormalizationLayer reluLayer fullyConnectedLayer（numClasses）softmaxLayer classificationLayer];
指定培训选项。
miniBatchSize = 16;选择= trainingOptions ('亚当'，．..'minibatchsize'miniBatchSize,．..'洗牌'，'每个时代'，．..“阴谋”，'培训 - 进步'，．..“详细”，错误的）;
使用由架构定义的架构列车层、培训数据和培训选项。
网= trainNetwork (tblTrain层,选项);
利用训练好的网络预测测试数据的标号，并计算其精度。准确率是指网络预测正确标签的比例。
tblTest YPred =分类(净,'minibatchsize', miniBatchSize);欧美= tblTest {: labelName};精度= sum(YPred == YTest)/numel(YTest)
精度= 0.9688
输入参数
输出参数
更多关于
兼容性的考虑
参考文献
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。
工藤，富山，新博。日本元音数据集．https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels
扩展能力
你也可以从以下列表中选择一个网站:
