监视器深学习培训进展
当你训练网络的深度学习，通常用于监控训练进度。通过培训期间绘制各种指标，你可以学习训练的进展情况。例如，你可以决定是否以及如何快速的网络精度提高，以及网络是否已经开始过度拟合训练数据。
当您指定“训练进度”作为“情节”价值trainingOptions并启动网络训练，trainNetwork创建一个数字并显示在每次迭代训练指标。每次迭代是梯度的估计和所述网络参数的更新。如果指定的验证数据trainingOptions，则该图所示的验证度量每次trainNetwork验证网络。该图绘制如下：
训练精度- 在每个单独的小批量分类的准确性。
平滑训练精度- 平滑训练精度，通过应用平滑算法来训练精度获得。它比未平滑的准确性噪音更小，更易于发现趋势。
验证准确度- 在整个验证集分类准确性（指定使用
trainingOptions）。培训损失，平滑的培训损失和验证损失-分别对每个小批量的损失，它的平滑版本，并在验证集的损失。如果您的网络的最后一层是
classificationLayer，那么损失函数是交叉熵损失。有关损失函数用于分类和回归问题的详细信息，请参阅输出层。
对于回归网络，该图绘出了根均方误差（RMSE）代替的准确性。
图中标记每个训练时代使用阴影的背景。一个划时代是一个完整的穿过整个数据集。
在训练过程中，你可以停止训练，并通过点击右上角的停止按钮返回网络的当前状态。例如，您可能希望在网络的准确率达到了高原停止训练，并很显然，精度不再提高。你点击停止按钮后，可能需要一段时间的训练来完成。一旦训练完成，trainNetwork返回训练的网络。
当训练结束，查看结果显示了最终验证准确性和训练完成的原因。最终验证指标标最后在该地块。如果您的网络中包含批标准化层，然后最终验证的指标往往是从训练过程中评估的验证指标不同。这是因为最终的网络中批标准化层比训练过程中执行不同的操作。
在右侧，查看有关训练时间和设置信息。要了解更多有关培训选择，请参阅设置参数和火车站卷积神经网络。
绘制训练进程在训练
列车内的网络和训练中绘制训练进度。
装载训练数据，其中包含的数字5000张图片。设置网络验证图像的一边1000。
[XTrain，YTrain] = digitTrain4DArrayData;IDX = randperm（大小（XTrain，4），1000）;XValidation = XTrain（：，：，：，IDX）;XTrain（：，：，：，IDX）= [];YValidation = YTrain（IDX）;YTrain（IDX）= [];
构建网络的数字图像数据进行分类。
层= [imageInputLayer（[28 28 1]）convolution2dLayer（3,8，'填充'，'相同'）batchNormalizationLayer reluLayer maxPooling2dLayer（2，“跨越论”，2）convolution2dLayer（3,16，'填充'，'相同'）batchNormalizationLayer reluLayer maxPooling2dLayer（2，“跨越论”，2）convolution2dLayer（3,32，'填充'，'相同'）batchNormalizationLayer reluLayer fullyConnectedLayer（10）softmaxLayer classificationLayer];
指定网络培训选项。为了验证定期在网络训练过程中，指定验证数据。选择'ValidationFrequency'值，以使网络验证约每时期一次。要绘制训练期间训练进度，指定“训练进度”作为“情节”值。
选项= trainingOptions（'SGDM'，...'MaxEpochs'8，...'ValidationData'{XValidation，YValidation}...'ValidationFrequency'30，...“放牧”，假，...“情节”，“训练进度”）;
训练网络。
净= trainNetwork（XTrain，YTrain，层，选项）;
也可以看看
相关话题
您还可以选择从下面的列表中的网站：
