深度学习进程监测

Este ejemplo muestra cómo深度学习监测程序。

深度学习，suele ser útil监测技术进步。代表不同的métricas durante el proceso, puede compprobar cómo este progress。我爱你，我爱你precisión我爱你está我爱你qué我爱你está我爱你，我爱你está我爱你。

在我们的世界里有一个地方cómo在我们的世界里有一个地方funcióntrainNetwork．这段话的意思是，这段话的意思是，这段话的意思是，这段话的意思是，这段话的意思是trainingProgressMonitor副代表métricas持久的友谊。Para obtener más información, consulte监控定制培训循环进度．

Cuando establishment la opción de entrenamiento情节在“训练进步”帕拉trainingOptions我爱你，爱你，trainNetwork造物之魂métricas心灵之心iteración。卡达iteración es una estimación del gradiente y una actualización de los parámetros de la red。Si se especifican los datos de validación entrainingOptions， la figura muestra las métricas de validación cada vez quetrainNetworkValida la red。La figura representation lo siguiente:

En el caso de las redes de regresión, la figura el error cuadrático medio raíz (RMSE En lugar de la precisión。

La figura marca cadaEpoca与联合国的友谊相伴。Una época es Una pasada completa por el conjunto de datos。

Durante el entrenamiento, puede detenerlo和下放el estado实际de la red haciendo clic en el botón de stop de la esquina superior derecha。有一个可能的地方precisión有一个可能的地方mejorará más。那是我们的天堂botón停，那是我们的天堂podría那是我们的天堂。Una vez completado，trainNetworkDevuelve la red entrenada

和你在一起，我很高兴ResultadosQue indican la precisión de validación finalizada y la razón por la Que se ha finalizado el entrenamiento。Si la opción de entrenamientoOutputNetwork斯塔恩“最后一次迭代的”(英勇的预先决定)，las métricas结束对应la última iteración de entrenamiento。Si la opción de entrenamientoOutputNetwork斯塔恩“best-validation-loss”， las métricas finalizadas对应la iteración con la pérdida de validación más baja。La iteración a partir de La cual se calculan las métricas de validación finales se etiqueta como最后En las gráficas。

Si la red contene capas de normalización de lotes, la métrica de validación最终的puede ser diente a la métrica de validación evaluada durante el entrenamiento。为了看一幅画estadísticas看一幅画estadísticas看一幅画normalización看一幅画después看一幅画完整的图画。祝你好运opción祝你好运BatchNormalizationStatisics斯塔恩“人口”， después del proceso, el software finaliza las estadísticas de normalización de lotes pasando por los datos de entramiento una vez más y利用la media和la varianza result。Si la opción de entrenamientoBatchNormalizationStatisics斯塔恩“移动”， el software proxima las estadísticas durante el entrenamiento utility zando una estimación continua y utility za los últimos valores de las estadísticas。

A la derecha, vea la información清醒的时代和调整的时代。Para obtener más información清醒的心灵连线，协商参数设置与卷积神经网络训练．

Para guardar la gráfica生命的进步出口培训地块enla ventana del entrenamiento。Puede guardar la gráfica como档案PNG, JEPG, TIFF o PDF。También puede guardar de forma个人las gráficas de pérdida, precisión y错误cuadrático medio raíz con la barra de herramientas de los ejes。

[XTrain,YTrain] = digitTrain4DArrayData;idx = randperm(size(XTrain,4)，1000);XValidation = XTrain(:，:，:，idx);XTrain(:，:，:，idx) = [];YValidation = YTrain(idx);YTrain(idx) = [];

图层= [imageInputLayer([28 28 1])卷积2dlayer(3,8，填充=“相同”) batchNormalizationLayer reluLayer maxPooling2dLayer(2,Stride=2) convolution2dLayer(3,16,Padding=“相同”) batchNormalizationLayer reluLayer maxPooling2dLayer(2,Stride=2) convolution2dLayer(3,32,Padding=“相同”batchNormalizationLayer reluLayer fullyConnectedLayer(10) softmaxLayer classificationLayer];

选项= trainingOptions(“个”，.．.MaxEpochs = 8,.．.ValidationData = {XValidation, YValidation},.．.ValidationFrequency = 30,.．.Verbose = false,.．.情节=“训练进步”);

net = trainNetwork(XTrain,YTrain，图层，选项);

Consulte也

trainNetwork|trainingOptions

特马relacionados

• 监控定制培训循环进度
• 了解卷积神经网络
• 指定卷积神经网络的层数
• 参数设置与卷积神经网络训练
• 前突深神经红
• MATLAB深度学习