使用parfor训练多个深度学习网络
这个例子展示了如何使用parfor循环对训练选项执行参数扫描。
深度学习训练通常需要几个小时或几天的时间，寻找好的训练选择可能会很困难。使用并行计算，您可以加快并自动搜索好的模型。如果您可以访问具有多个图形处理单元(gpu)的机器，则可以使用本地parpool在数据集的本地副本上完成本示例。如果您想使用更多资源，可以将深度学习培训扩展到云。这个例子展示了如何使用parfor循环对训练选项执行参数扫描MiniBatchSize在云中的一个集群中。您可以修改脚本，对任何其他训练选项进行参数扫描。此外，该示例还演示了如何在使用DataQueue．您还可以将脚本作为批处理作业发送到集群，这样您就可以继续工作或关闭MATLAB并在稍后获取结果。有关更多信息，请参见发送深度学习批作业到集群．
需求
在运行此示例之前，需要配置集群并将数据上传到云。在MATLAB中，您可以直接从MATLAB桌面在云中创建集群。在首页选项卡,平行菜单中,选择创建和管理集群．在集群配置文件管理器中，单击创建云计算集群．或者，您可以使用MathWorks Cloud Center来创建和访问计算集群。有关更多信息，请参见云中心入门．对于本例，请确保在MATLAB中将集群设置为默认值首页选项卡,在平行>选择默认集群．之后，将数据上传到Amazon S3桶，并直接从MATLAB使用它。本示例使用已经存储在Amazon S3中的CIFAR-10数据集的副本。说明,请参阅上传深度学习数据到云．
从云加载数据集
使用。从云加载训练和测试数据集imageDatastore．将训练数据集分解为训练集和验证集，保留测试数据集，从参数扫描中测试出最佳的网络。在本例中，使用存储在Amazon S3中的CIFAR-10数据集的副本。要确保工作人员能够访问云中的数据存储，请确保正确设置AWS凭据的环境变量。看到上传深度学习数据到云．
imd = imageDatastore (s3: / / cifar10cloud / cifar10 /火车'，．..“IncludeSubfolders”,真的,．..“LabelSource”，“foldernames”）;imdsTest = imageDatastore (s3: / / cifar10cloud / cifar10 /测试”，．..“IncludeSubfolders”,真的,．..“LabelSource”，“foldernames”）;[imdsTrain, imdsValidation] = splitEachLabel (imd, 0.9);
用增强的图像数据训练网络，通过创建一个augmentedImageDatastore对象。使用随机平移和水平反射。数据增强有助于防止网络过度拟合和记忆训练图像的确切细节。
imageSize = [32 32 3];pixelRange = [-4 4];imageAugmenter = imageDataAugmenter (．..“RandXReflection”,真的,．..“RandXTranslation”pixelRange,．..“RandYTranslation”, pixelRange);imdsTrain augmentedImdsTrain = augmentedImageDatastore(图象尺寸,．..“DataAugmentation”imageAugmenter,．..“OutputSizeMode”，“randcrop”）;
定义网络体系结构
为CIFAR-10数据集定义一个网络架构。为了简化代码，可以使用卷积块对输入进行卷积。池化层向下采样空间维度。
imageSize = [32 32 3];netDepth = 2;控制卷积块的深度netWidth = 16;% netWidth控制卷积块中过滤器的数量[imageInputLayer(imageSize)卷积块(netWidth,netDepth) maxPooling2dLayer(2，“步”2) convolutionalBlock (2 * netWidth netDepth) maxPooling2dLayer (2“步”，2) convolutionalBlock(4*netWidth,netDepth) averageepooling2dlayer (8) fulllyconnectedlayer (10) softmaxLayer classificationLayer;
同时训练多个网络
指定要执行参数扫描的小批处理大小。为结果网络和准确性分配变量。
minibatchsize = [64 128 256 512];numMiniBatchSizes =元素个数(miniBatchSizes);trainedNetworks =细胞(numMiniBatchSizes, 1);精度= 0 (numMiniBatchSizes, 1);
对多个网络进行并行参数扫描训练parfor循环和改变小批量的大小。集群中的工作人员同时对网络进行训练，并在训练完成后将训练后的网络和准确性发送回来。如果您想检查训练是否有效，请设置详细的来真正的在培训选项中。注意，工人是独立计算的，因此命令行输出与迭代的顺序不同。
parforidx = 1: numminibatchsize minbatchsize = minbatchsize (idx);initialLearnRate = 1e-1 * miniBatchSize/256;%根据小批量大小缩放学习率。确定培训选项。设置迷你批量大小。选择= trainingOptions (“个”，．..“MiniBatchSize”miniBatchSize,．..%在扫描中设置相应的MiniBatchSize。“详细”假的,．..%不发送命令行输出。“InitialLearnRate”initialLearnRate,．..%设置比例学习率。“L2Regularization”1平台以及．..“MaxEpochs”30岁的．..“洗牌”，“every-epoch”，．..“ValidationData”imdsValidation,．..“LearnRateSchedule”，“分段”，．..“LearnRateDropFactor”, 0.1,．..“LearnRateDropPeriod”25);%在集群的一个worker中训练网络。网= trainNetwork (augmentedImdsTrain层,选项);%为了获得该网络的准确性，使用经过训练的网络%对工人的验证图像进行分类，并将预测的标签与%实际标签。YPredicted =分类(净,imdsValidation);accuracies(idx) = sum(YPredicted == imdsvalidate . labels)/numel(imdsvalidate . labels);%将经过训练的网络发送回客户端。trainedNetworks {idx} =净;结束
使用myclusterincloud配置文件启动并行池(parpool)…连接到并行池(工作人员数量:4)。
后parfor完成后,trainedNetworks包含由工人训练的结果网络。展示训练有素的网络及其准确性。
trainedNetworks
trainedNetworks =4×1单元阵列{1×1 SeriesNetwork} {1×1 SeriesNetwork} {1×1 SeriesNetwork} {1×1 SeriesNetwork}
精度
精度=4×10.8188 0.8232 0.8162 0.8050
在准确性方面选择最好的网络。根据测试数据集测试其性能。
[~， I] = max(精度);bestNetwork = trainedNetworks{我(1)};YPredicted =分类(bestNetwork imdsTest);精度= sum(YPredicted == imdsTest.Labels)/numel(imdsTest.Labels)
精度= 0.8173
在培训期间发送反馈数据
准备并初始化显示每个工人培训进度的图表。使用animatedLine以方便地显示更改的数据。
f =图;f.Visible = true;为i = 1:4次要情节(2,2,我)包含(“迭代”）;ylabel (“训练的准确性”）;行(i) = animatedline;结束
通过使用，将工人的培训进度数据发送给客户DataQueue，然后绘制数据。每次工人发送培训进度反馈时，使用更新图afterEach．的参数选择包含关于工作人员、培训迭代和培训准确性的信息。
D = parallel.pool.DataQueue;afterEach(D， @(opts) updatePlot(lines, opts{:}));
执行一个并行参数扫描训练几个网络在一个parfor循环不同的小批量大小。注意OutputFcn在培训选项中，在每次迭代中将培训进度发送给客户。该图显示了执行以下代码期间四个不同工作人员的培训进度。
parforminbatchsize = 1: minbatchsize (idx);initialLearnRate = 1e-1 * miniBatchSize/256;%根据miniBatchSize缩放学习率。确定培训选项。设置一个输出函数来发送回数据%给客户端。选择= trainingOptions (“个”，．..“MiniBatchSize”miniBatchSize,．..%在扫描中设置相应的MiniBatchSize。“详细”假的,．..%不发送命令行输出。“InitialLearnRate”initialLearnRate,．..%设置比例学习率。“OutputFcn”@(州)sendTrainingProgress (D idx状态),．..%设置输出函数，将中间结果发送到客户端。“L2Regularization”1平台以及．..“MaxEpochs”30岁的．..“洗牌”，“every-epoch”，．..“ValidationData”imdsValidation,．..“LearnRateSchedule”，“分段”，．..“LearnRateDropFactor”, 0.1,．..“LearnRateDropPeriod”25);%在集群的一个worker中训练网络。工人们把%向客户提供培训过程中的培训进度信息。网= trainNetwork (augmentedImdsTrain层,选项);%为了获得该网络的准确性，使用经过训练的网络%对工人的验证图像进行分类，并将预测的标签与%实际标签。YPredicted =分类(净,imdsValidation);accuracies(idx) = sum(YPredicted == imdsvalidate . labels)/numel(imdsvalidate . labels);%将经过训练的网络发送回客户端。trainedNetworks {idx} =净;结束
分析和传送文件给工人…完成。
后parfor完成后,trainedNetworks包含由工人训练的结果网络。展示训练有素的网络及其准确性。
trainedNetworks
trainedNetworks =4×1单元阵列{1×1 SeriesNetwork} {1×1 SeriesNetwork} {1×1 SeriesNetwork} {1×1 SeriesNetwork}
精度
精度=4×10.8214 0.8172 0.8132 0.8084
在准确性方面选择最好的网络。根据测试数据集测试其性能。
[~， I] = max(精度);bestNetwork = trainedNetworks{我(1)};YPredicted =分类(bestNetwork imdsTest);精度= sum(YPredicted == imdsTest.Labels)/numel(imdsTest.Labels)
精度= 0.8187
辅助函数
定义一个函数在网络架构中创建一个卷积块。
函数layers =[卷积2dlayer (3,numFilters, numConvLayers)] layer =[卷积2dlayer (3,numFilters，“填充”，“相同”) batchNormalizationLayer reluLayer];层= repmat(层numConvLayers 1);结束
定义一个函数将培训进度发送给客户DataQueue．
函数sendTrainingProgress (D, idx信息)如果信息。状态= =“迭代”发送(D, {idx、info.Iteration info.TrainingAccuracy});结束结束
定义一个更新函数，在工作者发送中间结果时更新图。
函数updatePlot(线、idx iter acc) addpoints(直线(idx)、iter acc);drawnowlimitratenocallbacks结束
另请参阅
imageDatastore|trainNetwork|parallel.pool.DataQueue(并行计算工具箱)
相关的例子
更多关于
- 并行for循环(parfor)(并行计算工具箱)
你也可以从以下列表中选择一个网站:
