预测

计算深学习推理网络输出

折叠所有页面

句法

DLY =预测（dlnet，DLX）
DLY =预测（dlnet，dlX1，...，dlXM）
[DLY1，...，dlYN] =预测（___）
[DLY1，...，dlYK] =预测（___， '输出'，layerNames）
[___、州)=预测(___）

描述

一些深层次的学习培训层和推断（预测）期间表现不同。例如，在训练期间，辍学层随机设定输入元素为零，以帮助防止过度拟合，但推理过程中，辍学层不会改变输入。

为了计算网络输出，用于推断，使用预测函数。要计算用于训练的网络输出，请使用向前函数。对于预测SeriesNetwork和DAGNetwork对象,看到预测。

例

DLY=预测(dlnet，DLX）返回网络输出DLY推理过程中给定的输入数据DLX和网络dlnet具有单个输入和单个输出。

DLY=预测(dlnet、dlX1 dlXM……)返回网络输出DLY在推理过程中中号输入dlX1,…, dlXM和网络dlnet有中号输入和单个输出。

[DLY1，...，dlYN] =预测（___）返回ñ输出dlY1，...，dlYN在对网络进行推理时ñ使用任何以前的语法输出。

[DLY1，...，dlYK] =预测（___， '输出'，layerNames）返回输出dlY1，...，dlYK推断使用任何先前的语法的指定的层中。

[___，州)=预测(___）还使用以前的任何语法返回更新后的网络状态。

小费

对于预测SeriesNetwork和DAGNetwork对象,看到预测。

例子

全部折叠

打开生活的脚本

这个例子说明了如何使用做出预测dlnetwork通过拆分数据为微型批对象。

对于大型数据集，或者在内存有限的硬件预测时，通过拆分进行预测的数据为微型批次。如果是在预测SeriesNetwork或DAGNetwork对象时,预测功能自动地将输入数据转换成微型批次。对于dlnetwork对象，你必须手动分割数据成小批次。

加载dlnetwork对象

加载一个训练有素dlnetwork对象和相应的类。

s =负载(“digitsCustom.mat”);dlnet = s.dlnet;类= s.classes;

预测用负荷数据

加载数字数据用于预测。

digitDatasetPath =完整文件（matlabroot，“工具箱”，'NNET'，'nndemos'，...'nndatasets'，“DigitDataset”);imd = imageDatastore (digitDatasetPath,...“IncludeSubfolders”，真正）;

作出预测

遍历测试数据，并使用自定义的预测环路进行预测的小批次。为了从数据存储读取的小批量数据，设置READSIZE属性为小批量大小。

对于每个小批量：

  • 将数据转换为dlarray有基础型单对象，并指定尺寸的标签'SSCB'（空间，空间信道，批次）。

  • 对于GPU预测，并转换为gpuArray对象。

  • 使用做出预测预测函数。

  • 通过查找最高分数确定类标签。

指定预测选项。指定一个小批大小为128，并在GPU上做出预测，如果一个可用。使用GPU需要Parallel Computing Toolbox™和支持CUDA®的NVIDIA®GPU，计算能力为3.0或更高。

miniBatchSize = 128;执行环境=“汽车”;

图像数据存储的读取大小属性设置为小批量大小。

洛桑国际管理发展学院。ReadSize = miniBatchSize;

通过对小批数据进行循环进行预测。

numObservations =元素个数(imds.Files);YPred =字符串(1、numObservations);i = 1;％遍历迷你批次。而hasdata（IMDS）％读小批量的数据。数据=读（IMDS）;X =猫（4，数据{：}）;对图像进行规格化。X =单（X）/ 255;%转换小批数据到dlarray。DLX = dlarray（X，'SSCB');在GPU上进行训练，然后将数据转换为gpuArray。如果（执行环境==“汽车”&& canUseGPU）||执行环境==“GPU”DLX = gpuArray（DLX）;结束％使用预测功能进行预测。dlYPred =预测（dlnet，DLX）;％确定对应的类。[~,idxTop] = max (extractdata (dlYPred), [], 1);idxMiniBatch =我:min ((i + miniBatchSize-1), numObservations);YPred (idxMiniBatch) =类(idxTop);i = i + miniBatchSize;结束

可视化的一些预测。

idx = randperm (numObservations 9);数字对于I = 1：9的副区（3,3，i）的I = imread（imds.Files {IDX（ⅰ）}）;标记= YPred（IDX（I））;imshow（I）称号（“标签： ”+标签）结束

输入参数

全部折叠

网络的自定义训练循环，指定为dlnetwork对象。

输入数据，指定为格式化dlarray。有关详细信息dlarray格式见FMT输入参数的dlarray。

层，以提取输出，指定为字符串数组或含有该层的名称字符向量的单元阵列。

  • 如果layerNames(我)对应一个具有单个输出的层，然后layerNames(我)是该层的名称。

  • 如果layerNames(我)对应于具有多个输出，则层layerNames(我)是层名后跟字符"/“与输出层的名称：“layerName / outputName”。

输出参数

全部折叠

输出数据，返回作为格式化的dlarray。有关详细信息dlarray格式见FMT输入参数的dlarray。

更新后的网络状态，返回表。

网络状态是一个有三列的表:

  • 层- 图层名称，指定为字符串标量。

  • 参数-参数名称，指定为字符串标量。

  • 价值-参数的值，指定为数值数组对象。

网络状态包含迭代之间由网络记住的信息。例如，LSTM和批处理规范化层的状态。

更新的状态dlnetwork使用州属性。

扩展功能

也可以看看

||||

主题

介绍了在R2019b

深度学习工具箱文档
万博1manbetx
介绍用MATLAB进行深度学习

介绍用MATLAB进行深度学习

下载电子书