freezeParameters
转换可学习的网络参数ONNXParameters对nonlearnable
描述
params = freezeParameters(指定的网络参数被冻结参数个数，的名字）的名字在ONNXParameters对象参数个数。函数将指定的参数从参数个数。可学的在输入参数中参数个数来参数个数。Nonlearnables在输出参数中参数个数。
例子
使用自定义训练循环训练导入ONNX函数
导入squeezenet卷积神经网络作为函数，利用迁移学习对预训练网络进行微调，对新的图像集进行分类。
这个例子使用了几个辅助函数。要查看这些函数的代码，请参见辅助函数。
解压缩并将新映像加载为映像数据存储。imageDatastore根据文件夹名称自动标记图像，并将数据存储为ImageDatastore对象。图像数据存储使您能够存储大型图像数据，包括不适合内存的数据，并在卷积神经网络的训练期间有效地读取批量图像。指定小批大小。
解压缩(“MerchData.zip”);miniBatchSize = 8;imds = imageDatastore(“MerchData”，…“IncludeSubfolders”,真的,…“LabelSource”，“foldernames”，…“ReadSize”, miniBatchSize);
这个数据集很小，包含75张训练图像。显示一些示例图像。
numImages = numel(imds.Labels);idx = randperm(numImages,16);数字为i = 1:16 subplot(4,4,i) i = readimage(imds,idx(i));imshow(我)结束
提取训练集，对分类标签进行一次性编码。
XTrain = readall(imds);XTrain = single(cat(4,XTrain{:}));ytrain_category = categorical(imds.Labels);YTrain = onehotencode(ytrain_category,2)';
确定数据中类的数量。
class = categories(ytrain_category);numClasses = nummel (classes)
numClasses = 5
squeezenet是一个卷积神经网络，经过ImageNet数据库中超过一百万张图像的训练。因此，网络已经学习了大量图像的丰富特征表示。该网络可以将图像分为1000个对象类别，如键盘、鼠标、铅笔和许多动物。
导入预训练squeezenet网络作为一个功能。
squeezenetONNX()参数= importONNXFunction“squeezenet.onnx”，“squeezenetFcn”）
已将导入的ONNX网络函数保存到“squeezenetFcn.m”文件中。要学习如何使用此功能，请键入:help squeezenetFcn。
params = ONNXParameters with properties: Learnables: [1×1 struct] Nonlearnables: [1×1 struct] State: [1×1 struct] NumDimensions: [1×1 struct] NetworkFunctionName: 'squeezenetFcn'
参数个数是一个ONNXParameters对象，该对象包含网络参数。squeezenetFcn是一个包含网络架构的模型函数。importONNXFunction节省了squeezenetFcn在当前文件夹中。
在新的训练集上计算预训练网络的分类精度。
accuracyBeforeTraining = getNetworkAccuracy(XTrain,YTrain,params);流(' %。迁移学习前的准确率\n', accuracyBeforeTraining);
迁移学习前的准确率为0.01
精度很低。
通过输入显示网络可学习的参数参数个数。可学的。这些参数，例如权重(W)和偏见(B)的卷积和完全连接层，在训练过程中由网络更新。不可学习参数在训练过程中保持不变。
预训练网络的最后两个可学习参数配置为1000个类。
conv10_W: [1×1×512×1000 darray]
conv10_B: [1000×1 array]
的参数conv10_W和conv10_B必须针对新的分类问题进行微调。通过初始化参数传递参数来对五个类进行分类。
params.Learnables。conv10_W= rand(1,1,512,5); params.Learnables.conv10_B = rand(5,1);
冻结网络的所有参数，将其转换为不可学习的参数。由于不需要计算冻结层的梯度，因此冻结许多初始层的权重可以显著加快网络训练速度。
params = freezeParameters(“所有”);
解冻网络的最后两个参数，将其转换为可学习的参数。
params = unfreezeParameters(“conv10_W”);params = unfreezeParameters(“conv10_B”);
现在网络已经准备好进行训练了。初始化训练进度图。
情节=“训练进步”；如果情节= =“训练进步”图lineLossTrain = animatedline;包含(“迭代”) ylabel (“损失”）结束
指定培训选项。
速度= [];nummepochs = 5;miniBatchSize = 16;nummobservations = size(YTrain,2);numIterationsPerEpoch = floor(nummobobservations ./miniBatchSize);initialLearnRate = 0.01;动量= 0.9;衰减= 0.01;
训练网络。
迭代= 0;Start = tic;executionEnvironment =“cpu”；%改为“gpu”在gpu上训练。%循环遍历。为epoch = 1: nummepochs% Shuffle数据。idx = randperm(numobobservations);XTrain = XTrain(:，:，:，idx);YTrain = YTrain(:，idx);%小批量循环。为i = 1:numIterationsPerEpoch迭代=迭代+ 1;%读取小批量数据。idx = (i-1)*miniBatchSize+1:i*miniBatchSize;X = XTrain(:，:，:，idx);Y = YTrain(:，idx);%如果在GPU上训练，则将数据转换为gpuArray。如果(executionEnvironment = =“汽车”&& canUseGPU) || executionEnvironment ==“图形”X = gpuArray(X);结束%使用dlfeval和% modelGradients函数。[gradients,loss,state] = dlfeval(@modelGradients,X,Y,params);参数个数。State = State;%确定基于时间的衰减学习率计划的学习率。learnRate = initialLearnRate/(1 +衰减*迭代);%使用SGDM优化器更新网络参数。(参数。= sgdmupdate(params.Learnables,gradients,velocity);%显示培训进度。如果情节= =“训练进步”D = duration(0,0,toc(start));“格式”，“hh: mm: ss”);addpoints (lineLossTrain、迭代、双(收集(extractdata(损失))))标题(”时代:“+ epoch +“，流逝:”+ string(D)) drawnow结束结束结束
计算网络经过微调后的分类精度。
accuracyAfterTraining = getNetworkAccuracy(XTrain,YTrain,params);流(' %。迁移学习后的准确率\n', accuracyAfterTraining);
迁移学习后的精度为1.00
辅助函数
本节提供本示例中使用的辅助函数的代码。
的getNetworkAccuracyFunction通过计算分类准确率来评估网络性能。
函数精度= getNetworkAccuracy(X,Y,onnxParams) N = size(X,4);Ypred = squeezenetFcn(X,onnxParams，“培训”、假);[~，YIdx] = max(Y，[]，1);[~，YpredIdx] = max(Ypred，[]，1);numIncorrect = sum(abs(YIdx-YpredIdx) >0 0);accuracy = 1 - numIncorrect/N;结束
的modelGradients函数计算损失和梯度。
函数[grad, loss, state] = modelGradients(X,Y,onnxParams) [Y, state] = squeezenetFcn(X,onnxParams，“培训”,真正的);loss = crossentropy(y, y，“DataFormat”，“CB”);grad = dlgradient(loss,onnxParams.Learnables);结束
的squeezenetONNX的ONNX模型squeezenet网络。
函数squeezenetONNX () exportONNXNetwork (squeezenet,“squeezenet.onnx”);结束
