小公子
为深度学习创建小批量
描述
使用一个小公子用于创建，预处理和管理Mini-Batch的数据以进行培训，用于使用自定义培训循环进行培训。
一种小公子对象遍历数据存储，以提供适合使用自定义训练循环进行培训的格式的数据。该对象准备一个按需预处理的小批队列。使用一个小公子对象自动将数据转换为dlarray.要么gpuArray，将数据转换为不同的精度，或应用自定义函数来预处理数据。您可以在后台并行地准备数据。
在培训期间，您可以使用小公子目的。您可以使用每个培训epoch的开始时播放数据洗牌使用每个训练迭代的队列中的函数和收集数据下一个函数。方法检查是否有数据留在队列中哈迪塔功能，和重置它是空的队列。
创建
描述
MBQ.= minibatchqueue (DS.那numOutputs）小公子对象从输入数据存储中删除DS.并设置每个小批处理中的变量数量。使用时请使用此语法MiniBatchFcn指定一个迷你批处理预处理函数，该函数的输出数量与输入数据存储的变量数量不同DS.。
MBQ.= minibatchqueue (___、名称、值)minibatchqueue (ds,“MiniBatchSize ", 64年,“PartialMiniBatches”、“丢弃”)将返回的小批次的大小设置为64，并丢弃任何具有少于64个观察的批次批次。
输入参数
属性
对象功能
例子
为定制训练循环准备小批量
使用一个小公子对象自动准备迷你批次的图像和分类标签进行自定义训练循环培训。
创建数据存储。打电话读在auimds生成一个包含两个变量的表:输入，其中包含图像数据响应，包含相应的分类标签。
auimds = augmentedImageDatastore([100 100]，digitDatastore);=阅读(auimds);头(2)
ans =输入的响应 _______________ ________ { 100×100 uint8}{100×100 uint8} 0
创建一个小公子对象从auimds。设定小匹匹匹匹配财产256。
这小公子对象有两个输出变量:图像和分类标签输入和响应变量auimds,分别。设定小公子对象将图像返回为格式化dlarray.在GPU上。图像是单通道黑白图像。通过应用格式添加单例通道维度“SSBC”批处理。返回标签为非dlarray.在CPU上。
MBQ = MinibatchQueue（Auimds，．..“MiniBatchSize”，256，．..'outcounasdlarray'(1,0),．..'minibatchformat'，{“SSBC”那''}，．..“OutputEnvironment”，{“图形”那“cpu”}）
使用下一个命令功能获取小批量MBQ.。
(X, Y) =下一个(兆贝可);
使用自定义预处理功能创建小批量
使用a的预处理数据小公子具有自定义的小批量预处理功能。自定义函数将传入图像数据在0和1之间缩放，并计算平均图像。
解压缩数据并创建数据存储。
解压缩(“MerchData.zip”）;imd = imageDatastore (“MerchData”那．..“IncludeSubfolders”，真的，．..“LabelSource”那“foldernames”）;
创建一个小公子使用自定义功能预处理数据Preprocessminibatch.在本例的最后定义。自定义函数将图像数据连接到一个数字数组中，在0和1之间缩放图像，并计算批图像的平均值。该函数返回缩放后的一批图像和平均图像。设置输出的数量为2，匹配函数的输出次数。
MBQ = Minibatchqueue（IMDS，2，．..“MiniBatchSize”, 16岁,．..“MiniBatchFcn”，@ preprocessminibatch，．..'outcounasdlarray', 0)
迷你批量创建:MiniBatchSize: 16 PartialMiniBatch: ` return ` MiniBatchFcn: @preprocessMiniBatch DispatchInBackground: 0 outputs: OutputCast: {'single' 'single'} OutputAsDlarray: [0 0] MiniBatchFormat: {'' ''} outputenenvironment: {'auto' 'auto'}
获取一个迷你批处理并显示迷你批处理中图像的平均值。
[X, averageImage] =下一个(兆贝可);imshow (averageImage)
功能[X,averageImage] = preprocessMiniBatch(XCell) X = cat(4,XCell{:});X =重新调节(X,“inputmin”0,“InputMax”，255）;平均=平均值（x，4）;结尾
采用小公子在自定义训练循环中
使用培训网络小公子管理小批量的加工。
负载培训数据
加载数字训练数据并将数据存储在数据存储中。创建图像的数据存储以及使用标签的数据存储ArrayDataStore.。然后，将这些数据存储组合起来，生成一个要使用的数据存储小公子。
[XTrain, YTrain] = digitTrain4DArrayData;dsX = arrayDatastore (XTrain,'iteationdimension'4）;DSY = ArrayDataStore（Ytrain）;dstrain =联合（DSX，DSY）;
确定标签数据中的唯一类的数量。
类=类别(YTrain);numClasses =元素个数(类);
定义网络
定义网络并使用该网络指定平均图像值“的意思是”选项在图像输入层。
[imageInputLayer([28 28 1]，])，'名称'那'输入'那“的意思是”意味着(XTrain 4)) convolution2dLayer(5年,20年'名称'那'conv1'）剥离（'名称'那“relu1”20岁的)convolution2dLayer (3“填充”, 1'名称'那'conv2'）剥离（'名称'那“relu2”20岁的)convolution2dLayer (3“填充”, 1'名称'那'conv3'）剥离（'名称'那“relu3”）全连接列（numcrasses，'名称'那'fc'）softmaxlayer（'名称'那“softmax”）];Lgraph = LayerGraph（层）;
创建一个dlnetwork对象从层图。
dlnet = dlnetwork（3）;
定义模型梯度函数
创建helper函数modelGradients，列在示例的末尾。该函数作为输入adlnetwork目的DLNET.以及一小批输入数据DLX.与相应的标签y，并返回关于可学习参数的丢失和损失的渐变DLNET.。
指定培训选项
指定在培训期间使用的选项。
numepochs = 10;minibatchsize = 128;
可视化情节中的培训进度。
plots =.“训练进步”;
创建小公子
采用小公子处理和管理小批量图像。为每个mini-batch:
丢弃部分mini-batches。
使用自定义迷你批处理预处理功能
Preprocessminibatch.（在此示例的末尾定义为单热编码类标签。使用尺寸标签格式化图像数据
“SSCB”(spatial, spatial, channel, batch)。默认情况下,小公子对象将数据转换为dlarray.具有底层数据类型的对象单。不要向类标签添加格式。在可用的GPU上进行训练。默认情况下,
小公子对象将每个输出转换为agpuArray如果有可用的GPU。使用GPU需要并行计算工具箱™和支持的GPU设备。万博1manbetx有关支持设备的信息，请参阅万博1manbetxGPU支万博1manbetx持情况(并行计算工具箱)。
兆贝可= minibatchqueue (dsTrain,．..“MiniBatchSize”miniBatchSize,．..'partialminibatch'那“丢弃”那．..“MiniBatchFcn”，@ preprocessminibatch，．..'minibatchformat'，{“SSCB”那''});
火车网络
使用自定义训练循环训练模型。对于每个epoch，当数据在小公子。使用adamupdate函数。在每个纪元的末尾，展示训练的进展情况。
初始化培训进度图。
如果plots ==“训练进步”figure lineosstrain = animatedline(“颜色”，[0.85 0.325 0.098]）;ylim（[0 inf]）xlabel（“迭代”）ylabel（“损失”网格)在结尾
初始化平均渐变和平均梯度。
averageGrad = [];averageSqGrad = [];
训练网络。
迭代= 0;开始=抽搐;为了时代= 1:numEpochs％Shuffle数据。洗牌(兆贝可);尽管Hasdata (mbq) iteration = iteration + 1;%读取小批数据。[DLX，Y] =下一个（MBQ）;％使用dlfeval和dlfeval评估模型渐变和损失％MASEMGRADENTERS帮助函数。[毕业，损失] = dlfeval（@ maposgradients，dlnet，dlx，y）;%使用Adam优化器更新网络参数。[dlnet, averageGrad averageSqGrad] = adamupdate (dlnet,研究生,averageGrad averageSqGrad,迭代);％显示培训进度。如果plots ==“训练进步”d =持续时间（0,0，toc（start），“格式”那“hh: mm: ss”）;addpoints (lineLossTrain、迭代、双(收集(extractdata(损失))))标题(”时代:“+ epoch +“，经过：”+字符串（d））绘制结尾结尾结尾
模型梯度函数
这modelGradients帮助函数作为输入adlnetwork目的DLNET.以及一小批输入数据DLX.与相应的标签y，并返回关于可学习参数的丢失和损失的渐变DLNET.。要自动计算渐变，请使用Dlgradient.函数。
功能[gradient,loss] = modelGradients(dlnet,dlX,Y)损失= crossentropy (dlYPred Y);梯度= dlgradient(损失、dlnet.Learnables);结尾
Mini-Batch预处理功能
这Preprocessminibatch.函数使用以下步骤对数据进行预处理:
从传入单元格数组中提取图像数据，并将数据连接到一个数字数组中。将图像数据连接到第四个维度上，为每个图像添加了第三个维度，用作单通道维度。
从输入单元阵列中提取标签数据并沿第二维连接到分类阵列中。
单热编码分类标签到数字阵列中。编码到第一维度生成符合网络输出的形状的编码阵列。
功能[x，y] = preprocessminibatch（xcell，ycell）%从单元阵列提取图像数据并连接超过四分之一％维度添加第三个单例维度，作为频道%的维度。X = CAT（4，Xcell {：}）;%从单元格中提取标签数据并连接。y =猫（2，Ycell {：}）;％单热量编码标签。y = onehotencode（y，1）;结尾
也可以看看
您还可以从以下列表中选择一个网站：
