使用parfeval训练多个深度学习网络
此示例演示如何使用parfeval在深度学习网络的网络架构深度上执行参数扫描，并在培训期间检索数据。
深度学习培训通常需要数小时或数天的时间，寻找好的体系结构可能很困难。通过并行计算，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）的计算机，则可以在具有本地并行池的数据集的本地副本上完成此示例。如果您想使用更多资源，可以将深度学习培训扩展到云端。此示例演示如何使用parfeval在云中集群中的网络架构深度上执行参数扫描。使用parfeval允许您在后台进行训练而不阻塞MATLAB，并提供了在结果令人满意时提前停止的选项。可以修改脚本以对任何其他参数执行参数扫描。此外，该示例还显示了如何在计算过程中使用DataQueue．
需求
在运行这个示例之前，您需要配置一个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。在家选项卡,平行菜单，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上将集群设置为默认值家选项卡,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(深度学习工具箱)．
从云中加载数据集
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(深度学习工具箱)．
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);
通过创建一个增强的图像数据来训练网络增强图像数据存储对象使用随机平移和水平反射。数据扩充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,．..“随机翻译”pixelRange,．..“兰迪翻译”, pixelRange);imdsTrain augmentedImdsTrain = augmentedImageDatastore(图象尺寸,．..“DataAugmentation”，影像增强器，．..“OutputSizeMode”，“randcrop”）;
同时训练多个网络
定义培训选项。设置小批量大小，并根据小批量大小线性缩放初始学习率。设置验证频率以便列车网络每个epoch验证一次网络。
miniBatchSize = 128;initialLearnRate = 1e-1 * miniBatchSize/256;validationFrequency =地板(元素个数(imdsTrain.Labels) / miniBatchSize);选择= trainingOptions (“sgdm”，．..“MiniBatchSize”，小批量，．..%设置小批量大小“冗长”假的,．..%不发送命令行输出。“初始学习率”initialLearnRate,．..%设置缩放学习速率。“L2Regularization”，1e-10，．..“MaxEpochs”30岁的．..“洗牌”，“every-epoch”，．..“ValidationData”imdsValidation,．..“ValidationFrequency”, validationFrequency);
指定要在其上进行参数扫描的网络架构的深度。使用并行参数扫描训练多个网络parfeval．在扫描中使用一个循环来迭代不同的网络架构。创建helper函数createNetworkArchitecture在脚本的末尾，它接受一个输入参数来控制网络的深度，并为CIFAR-10创建一个体系结构。使用parfeval卸载由执行的计算列车网络向群集中的工作进程发送。parfeval返回一个未来变量，用于保存计算完成时经过训练的网络和训练信息。
净深度=1:4；为idx=1:numel（网络深度）网络未来（idx）=参数（@trainNetwork，2，．..augmentedImdsTrain createNetworkArchitecture (netDepths (idx)),选择);结束
使用MyCluster配置文件启动并行池(parpool)…连接到并行池(工作人员数量:4)。
parfeval不会阻塞MATLAB，这意味着您可以继续执行命令。在这种情况下，通过使用获取经过培训的网络及其培训信息获取输出在网络未来．的获取输出函数等待，直到将来的变量完成。
[trainedNetworks，trainingInfo]=获取输出（网络未来）；
通过访问，获得网络的最终验证精度trainingInfo结构。
准确度=[培训信息最终验证准确度]
准确度=1×472.5600 77.2600 79.4000 78.6800
选择精度方面最好的网络。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=0.7840
计算测试数据的混淆矩阵。
身材(“单位”，“归一化”，“位置”,[0.2 0.2 0.4 0.4]); 混淆图（IMD测试标签，预测，“行摘要”，“row-normalized”，“专栏摘要”，“column-normalized”）;
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=数字；f、 可见=真实；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
使用将员工的培训进度数据发送给客户DataQueue，然后绘制数据。每次员工通过使用发送培训进度反馈时，更新图表之后．的参数选择包含有关工作人员、培训迭代和培训准确性的信息。
D = parallel.pool.DataQueue;afterEach(D， @(opts) updatePlot(lines, opts{:}));
指定要在其上执行参数扫描的网络架构的深度，并使用parfeval. 通过将脚本作为附加文件添加到当前池，允许工作人员访问此脚本中的任何助手函数。在“培训选项”中定义一个输出函数，以将培训进度从工人发送到客户机。培训选项取决于工人的指数，必须包含在为循环。
净深度=1:4；addAttachedFiles（gcp、mfilename）；为idx = 1:numel(netdepth) miniBatchSize = 128;initialLearnRate = 1e-1 * miniBatchSize/256;%根据小批量大小缩放学习率。validationFrequency =地板(元素个数(imdsTrain.Labels) / miniBatchSize);选择= trainingOptions (“sgdm”，．..“OutputFcn”@(州)sendTrainingProgress (D idx状态),．..%设置输出函数以向客户端发送中间结果。“MiniBatchSize”，小批量，．..%在扫描中设置相应的MiniBatchSize。“冗长”假的,．..%不发送命令行输出。“初始学习率”initialLearnRate,．..%设置缩放学习速率。“L2Regularization”，1e-10，．..“MaxEpochs”30岁的．..“洗牌”，“every-epoch”，．..“ValidationData”imdsValidation,．..“ValidationFrequency”, validationFrequency);networksFuture (idx) = parfeval (@trainNetwork 2．..augmentedImdsTrain createNetworkArchitecture (netDepths (idx)),选择);结束
parfeval调用列车网络在群集中的工作进程上。计算是在后台进行的，因此您可以继续在MATLAB中工作。如果你想阻止parfeval计算，你可以打电话取消对应的未来变量。例如，如果您观察到一个网络性能不佳，您可以取消它的未来。当您这样做时，下一个排队的未来变量将开始计算。
在这种情况下，通过调用获取训练过的网络及其训练信息获取输出关于未来变量。
[trainedNetworks，trainingInfo]=获取输出（网络未来）；
获取每个网络的最终验证精度。
准确度=[培训信息最终验证准确度]
准确度=1×472.9200 77.4800 76.9200 77.0400
辅助函数
用一个函数为CIFAR-10数据集定义一个网络架构，并使用一个输入参数来调整网络深度。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。
函数层= createNetworkArchitecture(netDepth) imageSize = [32 32 3];netWidth =轮(16 /√(netDepth));% netWidth控制卷积块中过滤器的数量[imageInputLayer(imageSize)卷积块(netWidth,netDepth) maxPooling2dLayer(2，“步”，2）卷积块（2*netWidth，netDepth）MaxPoolig2dlayer（2，“步”，2) convolutionalBlock(4*netWidth,netDepth) averageepooling2dlayer (8) fulllyconnectedlayer (10) softmaxLayer classificationLayer;结束
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”send（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);drawnow限制nocallbacks结束
另请参阅
之后|imageDatastore|parfeval|trainingOptions(深度学习工具箱)|列车网络(深度学习工具箱)
相关的话题
你也可以从以下列表中选择一个网站:
