监控深度学习训练进展
当你训练网络进行深度学习时，监控训练进度通常是有用的。通过绘制培训期间的各种指标，您可以了解培训是如何进行的。例如，您可以确定网络准确性是否以及以多快的速度提高，以及网络是否开始过度拟合训练数据。
当你指定“训练进步”随着“阴谋”价值培训选项开展网络培训,，trainNetwork创建一个图形，并在每次迭代中显示培训指标。每次迭代都是对梯度的估计和网络参数的更新。中指定验证数据培训选项，图中显示每次验证的度量trainNetwork验证网络。图中描绘了如下内容:
训练精度-每个小批量的分类精度。
平滑的训练精度—平滑训练精度，将平滑算法应用到训练精度上获得。与不平滑的精度相比，它的噪声更小，因此更容易发现趋势。
验证精度-整个验证集的分类精度（使用
培训选项）．培训损失，平滑训练损失和确认损失- - - - - -每个小批量的损失，它的平滑版本，和验证集的损失，分别。如果你的网络的最后一层是
classificationLayer，则损失函数为交叉熵损失。有关用于分类和回归问题的损失函数的更多信息，请参见输出层．
对于回归网络，图中绘制的是均方根误差(RMSE)而不是精度。
这个图形标记了每一次训练时代使用阴影背景。epoch是对整个数据集的完整遍历。
在培训过程中，可以通过单击右上角的“停止”按钮停止培训，返回当前网络状态。例如，当网络的准确性达到一个平台时，您可能想要停止训练，并且很明显准确性不再提高。点击停止按钮后，可能需要一段时间才能完成培训。一旦培训完成，trainNetwork返回训练过的网络。
当训练结束时，查看后果显示最终确认的准确性和培训结束的原因。如果“OutputNetwork”训练选项设置为最后一次迭代的(默认)，最终确定的度量与最后的训练迭代相对应。如果“OutputNetwork”训练选项设置为“最佳验证损失”，最终确定的指标对应于验证损失最低的迭代。从中计算最终验证指标的迭代被标记为最终的的情节。
如果网络包含批次标准化层，则最终验证指标可能与培训期间评估的验证指标不同。这是因为培训完成后，用于批次标准化的均值和方差统计数据可能不同。例如，如果“BatchNormalizationStatisics”培训选项是“人口”，然后在训练之后，软件通过再次传递训练数据并使用得到的均值和方差，最终确定批量标准化统计。如果“BatchNormalizationStatisics”培训选项是“移动”，然后软件使用运行估计值来近似训练期间的统计数据，并使用统计数据的最新值。
在右侧，查看有关培训时间和设置的信息。要了解有关培训选项的更多信息，请参阅卷积神经网络参数的建立与训练．
在培训期间绘制培训进度图
训练网络，并在训练过程中绘制训练进度图。
加载包含5000个数字图像的训练数据。留出1000个图像用于网络验证。
[XTrain, YTrain] = digitTrain4DArrayData;idx = randperm(大小(XTrain, 4), 1000);XValidation = XTrain (:,:,:, idx);XTrain (::,:, idx) = [];YValidation = YTrain (idx);YTrain (idx) = [];
构建网络对数字图像数据进行分类。
层=[imageInputLayer（[28 1]）卷积层（3,8，“填充”，“一样”)batchNormalizationLayer reluLayer MaxPoolig2dLayer（2，“步”，2）卷积2层（3,16，“填充”，“一样”)batchNormalizationLayer reluLayer MaxPoolig2dLayer（2，“步”32岁的,2)convolution2dLayer (3“填充”，“一样”)batchNormalizationLayer reluLayer fullyConnectedLayer（10）softmaxLayer classificationLayer]；
指定网络训练选项。要在训练期间定期验证网络，请指定验证数据。选择“验证频率”值，使网络大约每个历元验证一次。若要在培训期间绘制培训进度，请指定“训练进步”随着“阴谋”价值。
选项=培训选项(“个”，．..“MaxEpochs”8．..“验证数据”，{XValidation，YValidation}，．..“验证频率”,30,．..“详细”错误的．..“阴谋”，“训练进步”）;
培训网络。
net=列车网络（XTrain、YTrain、图层、选项）；
另请参阅
相关话题
您还可以从以下列表中选择网站：
