使用模型函数进行预测

此示例演示如何通过将数据拆分为小批量，使用模型函数进行预测。

对于大型数据集，或在内存有限的硬件上进行预测时，通过将数据拆分为小批量来进行预测系列网络或达格网络对象时,预测函数自动将输入数据拆分为小批量。对于模型函数，必须手动将数据拆分为小批量。

创建模型函数和加载参数

从MAT文件加载模型参数digitsMIMO.mat．MAT文件在一个名为参数，名为的结构中的模型状态状态，和类名一会．

s =负载(“digitsMIMO.mat”); 参数=s参数；state=s.state；classNames=s.classNames；

模型函数模型，定义给定模型参数和状态的模型。

预测负荷数据

加载用于预测的数字数据。

digitDatasetPath=fullfile（matlabroot，“工具箱”,“nnet”,“nndemos”,...“nndatasets”,“DigitDataset”）;imd = imageDatastore (digitDatasetPath,...“IncludeSubfolders”符合事实的...“LabelSource”,“foldernames”)；numObservations=numel（imds.Files）；

作出预测

循环测试数据的小批量，并使用自定义预测循环进行预测。

使用minibatchqueue处理和管理小批量图像。指定一个迷你批处理大小为128。设置镜像数据存储的读大小属性为mini-batch大小。

对于每个小批量：

使用自定义小批量预处理功能预处理小批量（在本例末尾定义）将数据连接到一个批中并对图像进行规范化。
使用尺寸设置图像格式“SSCB”（空间、空间、通道、批次）。默认情况下minibatchqueue对象将数据转换为dlarray具有底层类型的对象仅有一个的．
在GPU可用的情况下进行预测。默认情况下,minibatchqueue对象将输出转换为gpuArray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有关支持的设备的信息，请参见万博1manbetxGPU支万博1manbetx持情况（并行计算工具箱）．

miniBatchSize=128；imds.ReadSize=miniBatchSize；mbq=minibatchqueue（imds，...“MiniBatchSize”miniBatchSize,...“MiniBatchFcn”，@minibatch，...“MiniBatchFormat”,“SSCB”）;

循环处理小批量数据，并使用预测函数。使用onehotdecode函数确定类标签。存储预测的类标签。

doTraining=false；Y1预测=[]；Y2预测=[]；%循环小批。而hasdata（mbq）%读取小批量数据。dlX=下一个（mbq）；%使用predict函数进行预测。[dlY1Pred, dlY2Pred] =模型(参数、dlX doTraining、状态);%确定相应的类别。Y1PredBatch = onehotdecode (dlY1Pred一会1);Y1Predictions = [Y1Predictions Y1PredBatch];Y2PredBatch = extractdata (dlY2Pred);Y2Predictions = [Y2Predictions Y2PredBatch];终止

看看一些图片和他们的预测。

idx = randperm (numObservations 9);数字对于i = 1:9 subplot(3,3,i) i = imread(imds.Files{idx(i)});imshow (I)在深圳=大小(我,1);抵消= sz / 2;thetaPred = Y2Predictions (idx (i));情节(抵消* [1-tand (thetaPred) 1 +罐内(thetaPred)], [sz 0],“r——”)举行从标签=字符串(Y1Predictions (idx (i)));标题(“标签：”+标签）终止

模型函数

这个函数模型获取模型参数参数，输入数据dlX，国旗溺爱它指定建模是否应返回用于训练或预测的输出，以及网络状态状态。网络输出标签预测、角度预测和更新的网络状态。

函数[dlY1、dlY2] =模型(参数、dlX doTraining,状态)%卷积权重=parameters.conv1.weights；bias=parameters.conv1.bias；dlY=dlconv（dlX，权重，bias，“填充”,“相同”）;%批处理规范化，ReLU偏移量=parameters.batchnorm1.offset；scale=parameters.batchnorm1.scale；trainedMean=state.batchnorm1.trainedMean；trainedVariance=state.batchnorm1.trainedVariance；如果doTraining[Dy，trainedMean，trainedVariance]=批次标准（Dy，偏移量，比例，trainedMean，trainedVariance）；%更新状态state.batchnorm1。TrainedMean = TrainedMean;state.batchnorm1。TrainedVariance = TrainedVariance;其他的Dy=批次标准（Dy、偏移、比例、训练平均值、训练方差）；终止dlY=relu（dlY）；%卷积，批处理归一化(跳过连接)权重=parameters.convSkip.weights；bias=parameters.convSkip.bias；dlYSkip=dlconv（dlY，权重，bias，“大步走”2);抵消= parameters.batchnormSkip.Offset;规模= parameters.batchnormSkip.Scale;trainedMean = state.batchnormSkip.TrainedMean;trainedVariance = state.batchnormSkip.TrainedVariance;如果doTraining [dlskip,trainedMean,trainedVariance] = batchnorm(dlskip,offset,scale,trainedMean,trainedVariance);%更新状态state.BatchNormalSkip.TrainedMean=TrainedMean；state.BatchNormalSkip.TrainedVariance=TrainedVariance；其他的dlYSkip = batchnorm (dlYSkip、抵消、规模、trainedMean trainedVariance);终止%卷积权重=parameters.conv2.weights；偏差=参数。2。偏差；dlY=dlconv（dlY、重量、偏差、，“填充”,“相同”,“大步走”2);%批处理规范化，ReLU偏移量=parameters.batchnorm2.offset；scale=parameters.batchnorm2.scale；trainedMean=state.batchnorm2.trainedMean；trainedVariance=state.batchnorm2.trainedVariance；如果doTraining[Dy，trainedMean，trainedVariance]=批次标准（Dy，偏移量，比例，trainedMean，trainedVariance）；%更新状态state.batchnorm2。TrainedMean = TrainedMean;state.batchnorm2。TrainedVariance = TrainedVariance;其他的Dy=批次标准（Dy、偏移、比例、训练平均值、训练方差）；终止dlY=relu（dlY）；%卷积重量= parameters.conv3.Weights;偏见= parameters.conv3.Bias;海底= dlconv(海底,重量、偏见,“填充”,“相同”）;%批正常化抵消= parameters.batchnorm3.Offset;规模= parameters.batchnorm3.Scale;trainedMean = state.batchnorm3.TrainedMean;trainedVariance = state.batchnorm3.TrainedVariance;如果doTraining[Dy，trainedMean，trainedVariance]=批次标准（Dy，偏移量，比例，trainedMean，trainedVariance）；%更新状态state.batchnorm3。TrainedMean = TrainedMean;state.batchnorm3。TrainedVariance = TrainedVariance;其他的Dy=批次标准（Dy、偏移、比例、训练平均值、训练方差）；终止%, ReLUly = dlskip + ly;dlY=relu（dlY）；%完全连接，softmax（标签）权重=parameters.fc1.weights；bias=parameters.fc1.bias；dlY1=fullyconnect（dlY，权重，bias）；dlY1=softmax（dlY1）；%完全连接（角度）重量= parameters.fc2.Weights;偏见= parameters.fc2.Bias;dlY2 = fullyconnect(海底,重量、偏见);终止

Mini-Batch预处理功能

这个预处理小批量函数使用以下步骤对数据进行预处理:

从传入的单元格数组中提取数据并连接到数字数组中。在第四维上连接会为每个图像添加第三维，用作单通道维度。
标准化之间的像素值0和1.．

函数X = preprocessMiniBatch(数据)%从单元格提取图像数据并连接X=cat（4，数据{：}）；将图像归一化。X = X / 255;终止

另见

深度学习工具箱文档

万博1manbetx

介绍基于MATLAB的深度学习

下载电子书