主要内容
从检查点网络恢复培训
这个示例演示了如何在训练深度学习网络时保存检查点网络，并从先前保存的网络中恢复训练。
加载示例数据
以4-D数组的形式加载示例数据。digitTrain4DArrayData将数字训练集加载为4-D阵列数据。XTrain是一个28 × 28 × 1 × 5000的数组，其中28是图像的高度，28是图像的宽度。1为通道数，5000为手写数字合成图像数。YTrain是包含每个观察的标签的分类向量。
[XTrain, YTrain] = digitTrain4DArrayData;大小(XTrain)
ans =1×428 28 1 5000
显示一些图像XTrain．
图;烫= randperm(大小(XTrain, 4), 20);为I = 1:20 subplot(4,5, I);imshow (XTrain(:,:,:,烫(我)));结束
定义网络体系结构
定义神经网络结构。
layers = [imageInputLayer([28 28 1])]“填充”，“相同”maxPooling2dLayer(2，“步”2) convolution2dLayer(16日“填充”，“相同”maxPooling2dLayer(2，“步”32岁的,2)convolution2dLayer (3“填充”，“相同”) batchNormalizationLayer relullayer averageepooling2dlayer (7) fulllyconnectedlayer (10) softmaxLayer classificationLayer];
指定培训方案和培训网络
指定带动量随机梯度下降(SGDM)的训练选项，并指定保存检查点网络的路径。
checkpointPath = pwd;选择= trainingOptions (“个”，．..“InitialLearnRate”, 0.1,．..“MaxEpochs”, 20岁,．..“详细”假的,．..“阴谋”，“训练进步”，．..“洗牌”，“every-epoch”，．..“CheckpointPath”, checkpointPath);
培训网络。trainNetwork如果有可用的GPU，则使用GPU。如果没有可用的GPU，则使用CPU。trainNetwork每个纪元保存一个检查点网络，并自动为检查点文件分配唯一的名称。
net1 = trainNetwork (XTrain、YTrain层,选择);
负载检查点网络和恢复训练
假设训练被中断，没有完成。您可以加载最后一个检查点网络并从该点恢复训练，而不是从头开始重新开始训练。trainNetwork用表单上的文件名保存检查点文件net_checkpoint__195__2018_07_13__11_59_10.mat，其中195为迭代数，2018年_07_13是日期，和11 _59_10是时候trainNetwork保存网络。检查点网络具有变量名净．
将检查点网络加载到工作区中。
负载(“net_checkpoint__195__2018_07_13__11_59_10.mat”，“净”）
指定训练选项并减少最大纪元数。您还可以调整其他培训选项，如初始学习率。
选择= trainingOptions (“个”，．..“InitialLearnRate”, 0.1,．..“MaxEpochs”15岁的．..“详细”假的,．..“阴谋”，“训练进步”，．..“洗牌”，“every-epoch”，．..“CheckpointPath”, checkpointPath);
使用加载了新的训练选项的检查点网络层继续训练。如果检查点网络是DAG网络，则使用layerGraph(净)作为论据而不是网。层．
net2 = trainNetwork (XTrain YTrain、net.Layers选项);
另请参阅
相关的例子
更多关于
你也可以从以下列表中选择一个网站:
