主要内容
多输入多输出网络
在深度学习工具箱™中，您可以定义具有多个输入(例如，在多个数据源和数据类型上训练的网络)或多个输出(例如，预测分类和回归响应的网络)的网络架构。
应用网络
当网络需要来自多个来源或不同格式的数据时，定义具有多个输入的网络。例如，网络需要从不同分辨率的多个传感器获取图像数据。万博 尤文图斯
培训
要定义和训练具有多个输入的深度学习网络，请使用layerGraph物体和训练使用trainNetwork函数与数据存储输入。
要为具有多个输入层的网络使用数据存储，请使用结合和变换函数创建数据存储，输出单元格数组(numInputs+ 1)列，其中numInputs为网络输入的个数。在这个例子中，是第一个numInputs列指定每个输入的预测器，最后一列指定响应。输入的顺序由InputNames层图的性质层．
提示
如果网络也有多个输出，那么您必须使用自定义的训练循环。有关更多信息，请参见多输出网络．
预测
要对具有多个输入的经过训练的深度学习网络进行预测，可以使用预测或分类函数。使用以下方式指定多个输入:
combinedDatastore对象transformedDatastore对象多个数值数组
多输出网络
为需要不同格式的多个响应的任务定义具有多个输出的网络。例如，需要分类输出和数字输出的任务。
培训
要训练具有多个输出的深度学习网络，使用自定义训练循环。例如，请参见多输出列车网络．
预测
要使用模型函数进行预测，直接使用模型函数和训练好的参数。例如，请参见使用模型函数进行预测．
或者，将模型函数转换为DAGNetwork对象使用assembleNetwork函数。通过组装网络，您可以:
例如，请参见组合多输出网络进行预测．
另请参阅
相关的话题
你也可以从以下列表中选择一个网站:
