列车网络
为深度学习训练神经网络
语法
描述
对于分类和回归任务，可以使用列车网络为了训练用于图像数据的卷积神经网络（ConvNet，CNN），用于序列数据的递归神经网络（RNN），如长短时记忆（LSTM）或选通递归单元（GRU）网络，或用于数字特征数据的多层感知器（MLP）网络。您可以在CPU或GPU上进行训练。对于图像分类和图像回归，您可以使用多个GPU或并行进行训练。使用GPU、多GPU和并行选项需要并行计算工具箱™.要使用GPU进行深度学习，您还必须拥有CUDA®启用NVIDIA®具有3.0或更高计算能力的GPU。要指定培训选项，包括执行环境的选项，请使用培训选项作用
例子
图像分类训练网络
将数据作为图像数据存储对象。
digitDatasetPath = fullfile (matlabroot,“工具箱”,“内特”,...“nndemos”,“数据集”,“DigitDataset”）;imd = imageDatastore (digitDatasetPath,...“包含子文件夹”,真的,...“LabelSource”,“foldernames”）;
该数据存储包含10000个从0到9的数字合成图像。这些图像是通过对使用不同字体创建的数字图像应用随机转换生成的。每个数字图像为28×28像素。该数据存储包含每个类别相同数量的图像。
在数据存储中显示一些图像。
数字数字图像=10000；perm=randperm（数字图像，20）；对于i=1:20子图（4,5，i）；imshow（imds.Files{perm（i）}）；drawnow；终止
划分数据存储区，使训练集中的每个类别都有750个图像，测试集有来自每个标签的剩余图像。
numTrainingFiles=750；[imdsTrain，imdsTest]=拆分每个标签（imds，numTrainingFiles，“随机化”）;
拆分标签将图像文件拆分为digitData存入两个新的数据存储，imdsTrain和IMD测试．
定义卷积神经网络结构。
层=[...imageInputLayer（[28 1]）卷积2Dlayer（5,20）reluLayer MaxPoolig2Dlayer（2，“大步走”，2) fulllyconnectedlayer (10) softmaxLayer classificationLayer;
将选项设置为动量随机梯度下降的默认设置。将最大历元数设置为20，并以0.0001的初始学习率开始训练。
选项=培训选项(“sgdm”,...“MaxEpochs”, 20岁,...“初始学习率”1的军医,...“冗长”假的,...“情节”,“训练进步”）;
培训网络。
net=列车网络（IMD列车、层、选项）；
在未用于训练网络的测试集上运行训练过的网络，并预测图像标签（数字）。
YPred=分类（净，imdsTest）；YTest=imdsTest.Labels；
计算准确度。准确度是测试数据中与分类匹配的真实标签数的比率分类到测试数据中的图像数。
精度=总和（YPred==YTest）/numel（YTest）
精度= 0.9420
具有增强图像的列车网络
使用增强的图像数据训练卷积神经网络。数据增强有助于防止网络过度拟合和记忆训练图像的确切细节。
加载样本数据，该数据由手写数字的合成图像组成。
[XTrain，YTrain]=数字列车4DRARAYDATA；
Digittrain4daraydata将数字训练集作为4-D阵列数据加载。XTrain是28×28×1×5000阵列，其中：
28是图像的高度和宽度。
1是通道的数量。
5000是手写数字合成图像的数量。
钇是一个分类向量，包含每个观察的标签。
留出1000个图像用于网络验证。
idx=randperm（尺寸（XTrain，4），1000）；XValidation=XTrain（：，：，：，idx）；XTrain（：，：，：，idx）=[]；YValidation=YTrain（idx）；YTrain（idx）=[]；
创建一个图像数据增强器对象，该对象指定图像增强的预处理选项，例如调整大小、旋转、平移和反射。在水平和垂直方向上随机平移最多三个像素的图像，并以最大20度的角度旋转图像。
imageAugmenter=imageDataAugmenter(...“RandRotation”,[-20,20],...“随机翻译”,[-3 3],...“RandYTranslation”,[-3 3])
imageAugmenter = imageDataAugmenter with properties: 0 RandXReflection: 0 RandYReflection: 0 RandRotation: [-20 20] RandScale: [1 1] RandXScale: [1 1] RandYScale: [1 1] RandXShear: [0 0] RandYShear: [0 0] RandXTranslation: [-3 3] RandYTranslation: [-3 3]
创建一个增强图像数据存储对象用于网络培训，并指定图像输出大小。在培训期间，数据存储执行图像增强并调整图像大小。数据存储在不将任何图像保存到内存的情况下增强图像。列车网络更新网络参数，然后丢弃增强图像。
图像大小=[28 1]；augimds=增强的图像数据存储（图像大小、XTrain、YTrain、，“数据增强”图像增强仪）；
指定卷积神经网络结构。
层=[imageInputLayer（imageSize）卷积2层（3,8，“填充”,“一样”)batchNormalizationLayer reluLayer MaxPoolig2dLayer（2，“大步走”，2）卷积2层（3,16，“填充”,“一样”)batchNormalizationLayer reluLayer MaxPoolig2dLayer（2，“大步走”，2）卷积2层（3,32，“填充”,“一样”)batchNormalizationLayer reluLayer fullyConnectedLayer（10）softmaxLayer classificationLayer]；
指定带有动量的随机梯度下降的训练选项。
选择= trainingOptions (“sgdm”,...“MaxEpochs”,15,...“洗牌”,“每个时代”,...“情节”,“训练进步”,...“冗长”假的,...“ValidationData”，{XValidation，YValidation}）；
培训网络。由于没有对验证图像进行增强，验证精度高于训练精度。
net=列车网络（augimds、层、选项）；
图像回归训练网络
加载由手写数字合成图像组成的样本数据。第三个输出包含每个图像旋转的相应角度（以度为单位）。
使用将训练图像加载为4-D阵列Digittrain4daraydata.输出XTrain是28×28×1×5000阵列，其中：
28是图像的高度和宽度。
1是通道的数量。
5000是手写数字合成图像的数量。
钇包含以角度表示的旋转角度。
[XTrain，~，YTrain]=数字列车4DRARAYDATA；
使用以下命令显示20个随机训练图像：显示图像．
图numTrainImages=numel（YTrain）；idx=randperm（numTrainImages，20）；对于i=1:numel（idx）子批次（4,5，i）imshow（XTrain（：，：，：，idx（i）））drawnow；终止
指定卷积神经网络结构。对于回归问题，在网络的末端包括一个回归层。
层=[...imageInputLayer([28 28 1])卷积2dlayer (12,25) reluLayer fulllyconnectedlayer (1) regressionLayer];
指定网络培训选项。将初始学习率设置为0.001。
选项=培训选项(“sgdm”,...“初始学习率”, 0.001,...“冗长”假的,...“情节”,“训练进步”）;
培训网络。
net=列车网络（XTrain、YTrain、图层、选项）；
通过评估测试数据的预测精度来测试网络的性能。使用预测预测验证图像的旋转角度。
[XTest ~,欧美]= digitTest4DArrayData;YPred =预测(净,XTest);
通过计算预测和实际旋转角度的均方根误差（RMSE）来评估模型的性能。
rmse=sqrt（平均值（（YTest-YPred）。^2））
rmse =单6.0356
序列分类的列车网络
训练深度学习LSTM网络用于序列到标签的分类。
加载日语元音数据集，如[1]和[2]所述。XTrain是一个细胞阵列，包含270个不同长度的序列，具有12个特征，对应于LPC倒谱系数。Y是标签1，2，…，9的分类向量。中的条目XTrain矩阵有12行(每个特征一行)和不同数量的列(每个时间步骤一列)。
[XTrain，YTrain]=日本全球应变数据；
可视化绘图中的第一个时间序列。每一行对应一个特征。
图形绘图（XTrain{1}'）标题(“培训观察1”) numFeatures = size(XTrain{1}，1);传奇(“功能”+字符串（1:numFeatures），“位置”,“东北外”)
定义LSTM网络架构。指定输入大小为12（输入数据的特征数）。指定LSTM层具有100个隐藏单元并输出序列的最后一个元素。最后，通过包括大小为9的完全连接层，然后是softmax层和分类层，指定九个类。
inputSize=12；numHiddenUnits=100；numClass=9；层=[...sequenceInputLayer（inputSize）lstmLayer（numHiddenUnits，“输出模式”,“最后”)fullyConnectedLayer（NumClass）softmaxLayer classificationLayer]
layers=5×1带层的层阵列：1''序列输入12维序列输入2''LSTM LSTM带100个隐藏单元3''完全连接9完全连接层4''Softmax Softmax 5''分类输出crossentropyex
指定培训选项。将解算器指定为“亚当”和“GradientThreshold”作为1。将最小批量大小设置为27，并将最大历元数设置为70。
因为小批量小，序列短，所以CPU更适合于训练“执行环境”来“cpu”。若要在GPU上进行训练，请设置“执行环境”来“自动”（默认值）。
maxEpochs=70；miniBatchSize=27；选项=培训选项(“亚当”,...“执行环境”,“cpu”,...“MaxEpochs”maxEpochs,...“MiniBatchSize”，小批量，...“GradientThreshold”1....“冗长”假的,...“情节”,“训练进步”）;
使用指定的培训选项培训LSTM网络。
net=列车网络（XTrain、YTrain、图层、选项）；
加载测试集并将序列分类为扬声器。
[XTest，YTest]=日本世界统计数据；
对测试数据进行分类。指定用于培训的相同小批量。
YPred=分类（净、XTest、，“MiniBatchSize”，小批量）；
计算预测的分类精度。
acc=sum（YPred==YTest）。/numel（YTest）
acc = 0.9514
具有数字特征的列车网络
如果您有数字特征数据集（例如，没有空间或时间维度的数字数据集合），则可以使用特征输入层来训练深度学习网络。
从CSV文件中读取变速箱壳体数据“transmissionCasingData.csv”．
文件名=“transmissionCasingData.csv”；tbl=可读（文件名，“文本类型”,“字符串”）;
使用转换器作用
labelName =“齿轮齿状况”；台= convertvars(资源描述、labelName“绝对的”）;
要使用分类特征训练网络，必须首先将分类特征转换为数字。首先，将分类预测符转换为分类预测符转换器通过指定包含所有分类输入变量名称的字符串数组来执行函数。在此数据集中，有两个具有名称的分类功能“传感器状态”和“轴系条件”．
categoricalInputNames=[“传感器状态”“轴系条件”]；tbl=convertvars（tbl，分类输入名称，“绝对的”）;
在分类输入变量上循环。对于每个变量：
使用
onehotencode作用将一个热点向量加到表中
艾德瓦函数。指定在包含相应分类数据的列之后插入向量。删除包含分类数据的相应列。
对于i=1:numel（categoricalInputNames）name=categoricalInputNames（i）；oh=onehotcode（tbl（：，name））；tbl=addvars（tbl，oh，“之后”、名称);台(:名字)= [];终止
使用斯普利瓦茨作用
tbl=拆分变量（tbl）；
查看表的前几行。请注意，分类预测器已拆分为多个列，其中分类值作为变量名。
总目（待定）
ans=8×23表SigMean SigMedian SigRMS SigVar SigPeak SigPeak 2peak SigSkewness SigKurtosis SigCrestFactor SigMAD SigRangeCumSum SigCorrDimension SigApproxEntropy SigLyapExponent PeakFreq HighFreqPower EnvPower peakspec峰度无传感器漂移传感器漂移无轴磨损轴磨损齿轮齿状况________ _________ ______ _______ _______ _______________________ ___________ ______________ _______ ______________ ________________ ________________ _______________ ________ _____________ ________ ________________ _______________ ____________ _____________ __________ __________________ - 0.94876 -0.9722 1.3726 0.98387 0.81571 3.6314 -0.041525 2.2666 2.0514 0.8081 1.1429 0.031581 79.931 28562 06.75 e-06 3.23 e-07 162.13 0 1 1 0没有牙齿错-0.97537 -0.98958 1.3937 0.99105 0.81571 3.6314 -0.023777 2.2598 2.0203 0.81017 29418 1.1362 0.037835 70.325 5.08 e-08 9.16 e-08 226.12 0 1 1 0没有牙齿错1.0502 1.0267 1.4449 0.98491 2.8157 3.6314 -0.04162 2.2658 1.9487 0.80853 31710 1.1479 0.031565 125.19 6.74 e-06 2.85 e-07 162.13 0 1 0 1没有牙错1.0227 1.0045 1.4288 0.99553 2.8157 3.6314 -0.016356 2.2483 1.9707 0.81324 30984 1.1472 0.032088 112.5 4.99 e-06 2.4 e-07 162.13 0 1 0 1没有牙齿错1.0123 1.0024 1.4202 0.99233 2.8157 3.6314 -0.014701 2.2542 1.9826 0.81156 30661 1.1469 0.03287 108.86 3.62 e-06 2.28 e-07 230.39 0 1 0 1没有牙齿错1.0275 1.0102 1.4338 1.00012.8157 3.6314 -0.02659 2.2439 1.9638 0.81589 31102 1.0985 0.033427 64.576 2.55 e-06 1.65 e-07 230.39 0 1 0 1没有牙齿错1.0464 1.0275 1.4477 1.0011 2.8157 3.6314 -0.042849 2.2455 1.9449 0.81595 31665 1.1417 0.034159 98.838 1.73 e-06 1.55 e-07 230.39 0 1 0 1没有牙齿错1.0459 1.0257 1.4402 0.98047 2.8157 3.6314 -0.035405 2.2757 1.955 0.8058331554 1.1345 0.0353 44.223 0 1.11e-06 1.39e-07 230.39 0 1 0 1 No Tooth Fault
查看数据集的类名。
一会=类别(台{:,labelName})
类名=2×1电池{‘无齿故障’}{‘齿故障}
接下来，将数据集划分为培训和测试分区。留出15%的数据用于测试。
确定每个分区的观察数。
numObservations=大小（待定，1）；numObservationsTrain=地板（0.85*numObservations）；numObservationsTest=numObservations-numObservationsTrain；
创建一个与观测值相对应的随机索引数组，并使用分区大小对其进行分区。
idx = randperm (numObservations);idxTrain = idx (1: numObservationsTrain);idxTest = idx (numObservationsTrain + 1:结束);
使用索引将数据表划分为培训、验证和测试分区。
tblTrain=tbl（idxTrain，：）；tblTest=tbl（idxTest，：）；
定义一个具有要素输入层的网络，并指定要素的数量。此外，配置输入层以使用Z分数规范化来规范化数据。
numFeatures = size(tbl,2) - 1;numClasses =元素个数(类名);[featureInputLayer(numFeatures，“正常化”,“zscore”)fullyConnectedLayer（50）批次规格化层reluLayer fullyConnectedLayer（numClasses）softmaxLayer分类层]；
指定培训选项。
miniBatchSize=16；选项=培训选项(“亚当”,...“MiniBatchSize”，小批量，...“洗牌”,“每个时代”,...“情节”,“训练进步”,...“冗长”，假）；
使用由定义的体系结构对网络进行培训层、培训数据和培训选项。
net=列车网络（TBL列车、层、选项）；
使用训练好的网络预测测试数据的标签，并计算准确度。准确度是网络正确预测的标签的比例。
YPred=分类（净、待测试、，“MiniBatchSize”，miniBatchSize）；YTest=tblTest{：，labelName}；精度=sum（YPred==YTest）/numel（YTest）
精度= 0.9688
输入参数
输出参数
更多关于
工具书类
[1] 使用通过区域的多维曲线分类模式识别字母第20卷，第11-13号，第1103-1111页。
工藤，富山，新博。日语元音数据集. https://archive.ics.uci.edu/ml/datasets/Japanese+元音
扩展能力
另见
你也可以从以下列表中选择一个网站:
