装配多输出网络进行预测
不使用模型函数进行预测，您可以将网络组装成aDAGNetwork准备使用functionToLayerGraph和assembleNetwork功能。这样就可以使用预测函数。
加载模型函数和参数
从MAT文件加载模型参数digitsMIMO.mat。在MAT文件包含一个名为结构模型参数参数，该模型状态在名为的结构体中状态和类名中一会。
S =负载（“digitsMIMO.mat”);参数= s.parameters;状态= s.state;一会= s.classNames;
该模型函数模型在该示例的末尾列出的，定义了给定的模型参数和状态模型。
装配网预测
用一组固定的模型参数、模型状态定义一个匿名函数，并设置doTraining选项假。
doTraining = FALSE;有趣= @（DLX）模型（DLX，参数，doTraining，状态）;
方法将模型函数转换为层图functionToLayerGraph函数。创建一个变量dlX其中包含具有预期格式的一小批数据。
X =兰特（28,28,1,128，“单一”);DLX = dlarray（X，“SSCB”);lgraph = functionToLayerGraph(有趣,dlX);
该层图形的输出由functionToLayerGraph函数不包括输入和输出层。属性在层图中添加输入层、分类层和回归层addLayers和connectLayers功能。
层= imageInputLayer（[28 28 1]，“名字”,“输入”,'正常化',“没有”);lgraph = addLayers（lgraph，层）;lgraph = connectLayers（lgraph，“输入”,“conv_1”);层= classificationLayer (“类”，类名，“名字”,“coutput”);lgraph = addLayers（lgraph，层）;lgraph = connectLayers（lgraph，'sm_1',“coutput”);层= regressionLayer（“名字”,“r输出”);lgraph = addLayers（lgraph，层）;lgraph = connectLayers（lgraph，'fc_1',“r输出”);
查看网络的情节。
图图（lgraph）
集合网络使用assembleNetwork函数。
净= assembleNetwork (lgraph)
连接:[18×2表]InputNames: {'input'} OutputNames: {'coutput' 'routput'}
新的数据做出预测
加载测试数据。
[XTEST，Y1Test，Y2Test] = digitTest4DArrayData;
使用集合的网络进行预测，使用预测函数。若要返回分类输出的分类标签，请设置“ReturnCategorical”选项真正。
[Y1Pred，Y2Pred] =预测（净，XTEST，“ReturnCategorical”,真正的);
评估分类精度。
精度=意味着(Y1Pred = = Y1Test)
精度= 0.9644
评估回归精度。
angleRMSE =√((Y2Pred - Y2Test).^2))
angleRMSE =单5.8081
查看一些图片和他们的预测。红色显示预测的角度，绿色显示正确的标签。
idx = randperm(大小(XTest, 4), 9);数字为i = XTest(:，:，:，idx(i));imshow (I)上SZ =尺寸（I，1）;偏移量= SZ / 2;thetaPred = Y2Pred（IDX（I））;情节（偏移* [1-t和（thetaPred）1 + t和（thetaPred）]，[SZ 0]，'R--'）thetaValidation = Y2Test（IDX（I））;情节（偏移* [1-t和（thetaValidation）1 + t和（thetaValidation）]，[SZ 0]，'G - '）保持离标签=字符串(Y1Pred (idx (i)));标题(”的标签:“+标签)结束
模型函数
函数模型接受输入数据dlX，即模型参数参数的国旗doTraining指定模型应该返回训练输出还是预测输出，以及网络状态状态。网络输出标签的预测，角度的预测，以及更新的网络状态。
功能[dlY1、dlY2] =模型(dlX、参数、doTraining状态)卷积％W = parameters.conv1.Weights;B = parameters.conv1.Bias;海底= dlconv (dlX, W, B,'填充'，2）;％批次正常化，RELU抵消= parameters.batchnorm1.Offset;规模= parameters.batchnorm1.Scale;trainedMean = state.batchnorm1.TrainedMean;trainedVariance = state.batchnorm1.TrainedVariance;如果doTraining [DLY，trainedMean，trainedVariance] = batchnorm（DLY，偏移，比例trainedMean，trainedVariance）;%更新状态state.batchnorm1.TrainedMean = trainedMean;state.batchnorm1.TrainedVariance = trainedVariance;其他的海底= batchnorm(海底、抵消、规模、trainedMean trainedVariance);结束海底= relu(海底);％卷积，批标准化（跳过连接）W = parameters.convSkip.Weights;B = parameters.convSkip.Bias;dlYSkip = dlconv(海底,W, B,“步”，2）;偏移量= parameters.batchnormSkip.Offset;比例= parameters.batchnormSkip.Scale;trainedMean = state.batchnormSkip.TrainedMean;trainedVariance = state.batchnormSkip.TrainedVariance;如果doTraining [dlYSkip，trainedMean，trainedVariance] = batchnorm（dlYSkip，偏移，比例trainedMean，trainedVariance）;%更新状态state.batchnormSkip。TrainedMean = TrainedMean;state.batchnormSkip。TrainedVariance = TrainedVariance;其他的dlYSkip = batchnorm（dlYSkip，偏移，比例trainedMean，trainedVariance）;结束卷积％W = parameters.conv2.Weights;B = parameters.conv2.Bias;海底= dlconv(海底,W, B,'填充'1，“步”，2）;％批次正常化，RELU抵消= parameters.batchnorm2.Offset;规模= parameters.batchnorm2.Scale;trainedMean = state.batchnorm2.TrainedMean;trainedVariance = state.batchnorm2.TrainedVariance;如果doTraining [DLY，trainedMean，trainedVariance] = batchnorm（DLY，偏移，比例trainedMean，trainedVariance）;%更新状态state.batchnorm2.TrainedMean = trainedMean;state.batchnorm2.TrainedVariance = trainedVariance;其他的海底= batchnorm(海底、抵消、规模、trainedMean trainedVariance);结束海底= relu(海底);卷积％W = parameters.conv3.Weights;B = parameters.conv3.Bias;海底= dlconv(海底,W, B,'填充'，1）;％批标准化偏移量= parameters.batchnorm3.Offset;比例= parameters.batchnorm3.Scale;trainedMean = state.batchnorm3.TrainedMean;trainedVariance = state.batchnorm3.TrainedVariance;如果doTraining [DLY，trainedMean，trainedVariance] = batchnorm（DLY，偏移，比例trainedMean，trainedVariance）;%更新状态state.batchnorm3.TrainedMean = trainedMean;state.batchnorm3.TrainedVariance = trainedVariance;其他的海底= batchnorm(海底、抵消、规模、trainedMean trainedVariance);结束％的添加，RELUDLY = dlYSkip + DLY;海底= relu(海底);%完全连接(角度)W = parameters.fc1.Weights;B = parameters.fc1.Bias;dlY2 = fullyconnect(海底,W, B);%完全连接，softmax(标签)W = parameters.fc2.Weights;B = parameters.fc2.Bias;dlY1 = fullyconnect(海底,W, B);dlY1 = softmax (dlY1);结束
另请参阅
assembleNetwork|batchnorm|dlarray|dlconv|fullyconnect|functionToLayerGraph|预测|线性整流函数（Rectified Linear Unit）|softmax
相关话题
您还可以选择从下面的列表中的网站：
