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。
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
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.
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
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。
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.
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.