本页面描述了用于提高深度学习网络准确性的各种训练选项和技术。
适当的网络架构取决于任务和可用数据。在决定使用哪种架构以及是否使用佩带的网络或从头开始训练时,请考虑这些建议。
数据 | 任务说明 | 了解更多 |
---|---|---|
图片 | 自然图像分类 | 尝试不同的预训练网络。对于预训练的深度学习网络的列表,请参阅普里德深度神经网络. 要学习如何使用深网络设计师互动地准备用于传输学习的网络,请参阅迁移学习深层网络设计者. |
自然图像的回归 | 尝试不同的预训练网络。有关如何将预先训练的分类网络转换为回归网络的示例,请参见分类转换成网络回归网络. | |
非自然图像(如微小图像和光谱图)的分类和回归 | 例如,展示如何对微小图像进行分类,请参阅火车剩余网络进行图像分类. 有关说明如何进行分类谱图示例,请参见基于深度学习的语音指令识别. |
|
语义细分 | 计算机视觉工具箱™提供工具来创建语义分割深刻的学习网络。有关更多信息,请参见使用深度学习开始使用语义分割(计算机视觉工具箱). | |
序列,时间序列和信号 | Sequence-to-label分类 | 例如,请参见基于深度学习的序列分类. |
序列到序列分类和回归 | 想要了解更多,请看序列对序列分类使用Deep学习和使用深度学习的序列到序列回归. | |
时间序列预测 | 例如,请参见使用深度学习的时间序列预测. | |
文本 | 分类和回归 | Text Analytics Toolbox™提供了为文本数据创建深度学习网络的工具。例如,请参见分类文本数据使用Deep学习. |
文本生成 | 例如,请参见使用深度学习生成文本. | |
音频 | 音频分类与回归 | 例如,请参见基于深度学习的语音指令识别. |
的培训选项
功能提供了多种选择来训练你的深度学习网络。
提示 | 更多的信息 |
---|---|
监控培训进度 | 要打开培训进度情节,请设置“阴谋” 选项培训选项 来“训练进步” . |
使用验证数据 | 要指定验证数据,使用 请注意 如果验证数据集太小,不能充分表示数据,那么报告的度量标准可能对您没有帮助。使用过大的验证数据集会导致训练变慢。 |
对于转移学习,加快新层的学习并减慢转移层中的学习 | 通过使用指定更高学习速率因子对新的层,例如,该 使用初始学习率降低 转移学习时,您无需为尽可能多的时期培训。使用该减少时代的数量 要学习如何使用深网络设计师互动地准备用于传输学习的网络,请参阅迁移学习深层网络设计者. |
洗牌您的数据每一个时代 | 每个时代(数据的一个完整的通过一次),将数据进行洗牌(数据),设置 请注意 对于序列数据,改组可以有,因为它可以增加填充或截断的数据量的精确度产生负面影响。如果你有序列数据,然后通过排序序列长度可以帮助数据。想要了解更多,请看序列填充,截断和拆分. |
尝试不同的优化 | 要指定不同的优化,使用 |
有关更多信息,请参见设置参数和火车站卷积神经网络.
如果你在训练中发现的问题,然后再考虑这些可能的解决方案。万博 尤文图斯
问题 | 可能的解决方案 |
---|---|
诺斯或大型巨额损失 | 使用初始学习率降低 如果降低学习率没有帮助,那么尝试使用梯度剪辑。要设置渐变阈值,使用 |
训练结束时损失仍在减少 | 通过增加epoch的数量来培训更长的时间“MaxEpochs” 选项培训选项 . |
损失高原 | 如果在意外的高价值损失高原,再滴在高原的学习速度。要改变学习税率表,使用 如果降低学习速率没有帮助,那么模型可能是不合适的。尝试增加参数或层的数量。您可以通过监视验证损失来检查模型是否拟合不足。 |
验证损失远高于培训损失 | 为防止过度拟合,请尝试以下一项或多项:
|
损耗降低非常缓慢 | 使用初始学习率提高 对于图像数据,尝试包括网络中的批标准化层。有关更多信息,请参见 |
有关更多信息,请参见设置参数和火车站卷积神经网络.
如果您的网络完全不训练,然后再考虑可能的解决方案。万博 尤文图斯
错误 | 描述 | 可能的解决方案 |
---|---|---|
出的内存错误时训练 | 可用硬件无法存储当前的迷你批处理、网络权重和计算的激活。 | 尝试减少使用的小批量大小 如果减少百分比尺寸不起作用,则尝试使用较小的网络,减少图层的数量,或减少图层中的参数或滤波器的数量。 |
自定义层的错误 | 有可能是与自定义层的实现问题。 | 检查自定义层的有效性,并发现潜在的问题使用 如果在使用时测试失败 |
训练抛出错误'CUDA_ERROR_UNKNOWN' |
有时,当被用于从OS两个计算和显示要求它GPU抛出这个错误。 | 尝试减少使用的小批量大小 如果降低小批量大小不工作,然后在Windows®,尝试调整超时检测和恢复(TDR)设置。例如,改变 |
您可以使用深度学习网络分析analyzeNetwork
.的analyzeNetwork
功能显示网络架构的交互式可视化,检测错误和问题与网络,和提供有关网络层的详细信息。使用网络分析仪来观察和了解网络架构,检查是否已正确定义的架构,并在训练前发现问题。问题:analyzeNetwork
检测包括缺失或断开的层、不匹配或不正确的层输入大小、不正确的层输入数量和无效的图结构。
您可以通过预处理数据来提高准确性。
理想情况下,所有类都有相同数量的观察。然而,对于某些任务,类可能是不平衡的。例如,与行人和骑自行车的人相比,街道场景的汽车数据集往往有更多的天空、建筑和道路像素,因为天空、建筑和道路覆盖了更多的图像区域。如果处理不当,这种不平衡会对学习过程造成不利影响,因为学习偏向于主导阶级。
对于语义分割任务,可以在中指定类权重pixelClassificationLayer
(计算机视觉工具箱)使用类别级别
(计算机视觉工具箱)财产。对于图像分类的任务,您可以使用所提供的示例自定义分类层定义自定义加权分类层.
或者,您可以通过执行以下一项或多项来平衡类:
从最频繁的类添加新的意见。
从最常见的类别中删除观察。
小组类似课程。例如,将类别“汽车”和“卡车”分组到单级“车辆”中。
有关预处理图像数据的更多信息,请参阅深度学习的图像预处理.
任务 | 更多的信息 |
---|---|
调整图像 | 若要使用预先训练的网络,必须将图像的大小调整为网络的输入大小。要调整图像大小,请使用 auimds = augmentedImageDatastore(inputSize,IMDS); 提示 用 请勿使用 |
图像增强 | 为了避免过拟合,使用图像变换。想要了解更多,请看用增强图像列车网络. |
标准化回归目标 | 在将预测器输入网络之前将其归一化。如果在训练前对响应进行归一化,则必须转换训练网络的预测,以获得原始响应的预测。 有关更多信息,请参见火车回归卷积神经网络. |
有关使用LSTM网络的更多信息,请参阅长短期记忆网络.
任务 | 更多的信息 |
---|---|
标准化序列数据 | 为了标准化的序列数据,首先计算每个特征平均值和标准偏差对于所有的序列。然后,对每个训练观察,通过减去标准差的均值和鸿沟。 想要了解更多,请看标准化序列数据. |
减少序列填充和截断 | 为了减少填充或截断序列时填充或丢弃数据的量,请尝试按顺序对数据进行排序。 想要了解更多,请看序列填充,截断和拆分. |
指定预测小批量大小和填充选项 | 当用不同长度的序列进行预测时,迷你批量大小可以影响添加到的输入数据的填充量,这导致不同的预测值。尝试使用不同的值,以查看最适合您的网络。 要指定迷你批量大小和填充选项,请使用 |
问题 | 更多的信息 |
---|---|
对CPU的培训很慢 | 如果培训是太慢了一个单CPU上,尝试使用预训练的深度学习网络为特征提取和训练机器学习模型。例如,请参见利用预训练网络提取图像特征. |
在GPU训练LSTM缓慢 | |
软件不使用所有可用的GPU | 如果你有机会获得多GPU的机器,只需将“执行环境” 选项培训选项 来“多GPU” .有关更多信息,请参见在多个GPU上深入学习. |
有关更多信息,请参见并行和在云中扩展深度学习.
如果您无法从MAT-file加载层或网络并得到表单的警告
警告:无法类layerType的实例加载到异质阵列。layerType的定义可能是丢失或包含错误。缺省对象将被取代。警告:在层nnet.cnn.layer.MissingLayer使用“前进”错误:在加载的类的SeriesNetwork'的对象。该函数抛出一个错误,无法执行。
该文件包含不在路径上的自定义图层 - 要加载包含自定义图层的网络,将自定义图层文件添加到MATLAB中®小路。
该文件包含来自支持包的自定义层-要使用来自支持包的层加载网络,请使用相应的函数在万博1manbetx命令行安装所需的支持包(例如,resnet18
)或使用该插件浏览器。
该文件包含一个来自文档示例的自定义层,但不在路径上。要加载包含文档示例自定义层的网络,将示例作为Live Script打开,并将该层从示例文件夹复制到工作目录。
该文件包含从未安装的工具箱中的图层 - 从其他工具箱访问图层,例如计算机视觉工具箱或文本分析工具箱,安装相应的工具箱。
尝试建议的解决方案后,重新加载MAT文件。万博 尤文图斯
analyzeNetwork
|checkLayer
|深网络设计师|培训选项