例を開き、検査と実行が可能な事前構成済みの実験を含むプロジェクトを読み込みます。実験を開くには、[実験ブラウザー]ペインで、実験の名前 (Experiment1) をダブルクリックします。

または、次の手順に従って、自分で実験を構成することもできます。

1.実験マネージャーを開きます。ダイアログ ボックスには、入門チュートリアルや最近使用したプロジェクトへのリンク、新規プロジェクトを作成するボタン、ドキュメンテーション内のサンプルを開くボタンが用意されています。

2.[新規]で[プロジェクト]を選択します。ダイアログ ボックスには、イメージ分類、イメージ回帰、シーケンス分類、セマンティック セグメンテーション、およびカスタム学習ループといったワークフローをサポートするいくつかの実験テンプレートが一覧表示されます。

3.[イメージ分類実験]で[ハイパーパラメーターのスイープによるイメージ分類]を選択します。

4.新しいプロジェクトの名前と場所を指定します。実験マネージャーによって、プロジェクトで新しい実験が開きます。[実験]ペインには、実験を定義する説明、ハイパーパラメーター、セットアップ関数、およびメトリクスが表示されます。

5.[説明]フィールドに、実験の説明を次のように入力します。

Classification of digits, using various initial learning rates.

6.[ハイパーパラメーター]で、myInitialLearnRateの値を0.0025:0.0025:0.015に置き換えます。[手法]がExhaustive Sweepに設定されていることを確認します。

7.[セットアップ関数]で[編集]をクリックします。MATLAB エディターでセットアップ関数が開きます。セットアップ関数では、実験用の学習データ、ネットワーク アーキテクチャ、および学習オプションを指定します。この実験のセットアップ関数には 3 つのセクションがあります。

実験を実行すると、実験マネージャーはセットアップ関数で定義されたネットワークに 6 回学習させます。各試行で、ハイパーパラメーター テーブルで指定された学習率の 1 つが使用されます。既定では、実験マネージャーは一度に 1 つの試行を実行します。Parallel Computing Toolbox がある場合は、複数の試行を同時に実行できます。最良の結果を得るには、実験を実行する前に、GPU と同じ数のワーカーで並列プールを起動します。詳細については、実験マネージャーを使用したネットワークの並列学習とリリース別の GPU サポート(Parallel Computing Toolbox)を参照してください。

結果テーブルに、各試行の精度と損失が表示されます。

実験の実行中に[学習プロット]をクリックすると、学習プロットが表示され、各試行の進行状況を追跡できます。MATLAB コマンド ウィンドウで学習の進行状況を監視することもできます。

[混同行列]をクリックし、完了した各試行の検証データの混同行列を表示します。

実験の完了後、列ごとにテーブルを並べ替えたり、[フィルター]ペインを使用して試行をフィルター処理したりできます。結果テーブルに注釈を追加して、観測結果を記録することもできます。詳細については、実験結果の並べ替え、フィルター処理、および注釈追加を参照してください。

各試行の性能をテストするには、試行で使用した学習済みネットワークまたは試行の学習情報をエクスポートします。[実験マネージャー]ツールストリップで、[エクスポート]、[学習済みネットワーク]を選択するか、[エクスポート]、[学習情報]を選択します。詳細については、netおよびinfoを参照してください。

実験を閉じるには、[実験ブラウザー]ペインでプロジェクトの名前を右クリックし、[プロジェクトを閉じる]を選択します。実験マネージャーによって,プロジェクトに含まれるすべての実験と結果が閉じられます。

例を開き、検査と実行が可能な事前構成済みの実験を含むプロジェクトを読み込みます。実験を開くには、[実験ブラウザー]ペインで、実験の名前 (Experiment1) をダブルクリックします。

または、次の手順に従って、自分で実験を構成することもできます。

1.実験マネージャーを開きます。ダイアログ ボックスには、入門チュートリアルや最近使用したプロジェクトへのリンク、新規プロジェクトを作成するボタン、ドキュメンテーション内のサンプルを開くボタンが用意されています。

2.[新規]で[プロジェクト]を選択します。ダイアログ ボックスには、イメージ分類、イメージ回帰、シーケンス分類、セマンティック セグメンテーション、およびカスタム学習ループといったワークフローをサポートするいくつかの実験テンプレートが一覧表示されます。

3.[イメージ回帰実験]で[ハイパーパラメーターのスイープによるイメージ回帰]を選択します。

4.新しいプロジェクトの名前と場所を指定します。実験マネージャーによって、プロジェクトで新しい実験が開きます。[実験]ペインには、実験を定義する説明、ハイパーパラメーター、セットアップ関数、およびメトリクスが表示されます。

5.[説明]フィールドに、実験の説明を次のように入力します。

Regression to predict angles of rotation of digits, using various initial learning rates.

6.[ハイパーパラメーター]で、myInitialLearnRateの値を0.001:0.001:0.006に置き換えます。[手法]がExhaustive Sweepに設定されていることを確認します。

7.[セットアップ関数]で[編集]をクリックします。MATLAB エディターでセットアップ関数が開きます。セットアップ関数では、実験用の学習データ、ネットワーク アーキテクチャ、および学習オプションを指定します。この実験のセットアップ関数には 3 つのセクションがあります。

実験を実行すると、実験マネージャーはセットアップ関数で定義されたネットワークに 6 回学習させます。各試行で、ハイパーパラメーター テーブルで指定された学習率の 1 つが使用されます。既定では、実験マネージャーは一度に 1 つの試行を実行します。Parallel Computing Toolbox がある場合は、複数の試行を同時に実行できます。最良の結果を得るには、実験を実行する前に、GPU と同じ数のワーカーで並列プールを起動します。詳細については、実験マネージャーを使用したネットワークの並列学習とリリース別の GPU サポート(Parallel Computing Toolbox)を参照してください。

結果テーブルに、各試行の平方根平均二乗誤差 (RMSE) と損失が表示されます。

実験の実行中に[学習プロット]をクリックすると、学習プロットが表示され、各試行の進行状況を追跡できます。MATLAB コマンド ウィンドウで学習の進行状況を監視することもできます。

実験の完了後、列ごとにテーブルを並べ替えたり、[フィルター]ペインを使用して試行をフィルター処理したりできます。結果テーブルに注釈を追加して、観測結果を記録することもできます。詳細については、実験結果の並べ替え、フィルター処理、および注釈追加を参照してください。

各試行の性能をテストするには、試行で使用した学習済みネットワークまたは試行の学習情報をエクスポートします。[実験マネージャー]ツールストリップで、[エクスポート]、[学習済みネットワーク]を選択するか、[エクスポート]、[学習情報]を選択します。詳細については、netおよびinfoを参照してください。

実験を閉じるには、[実験ブラウザー]ペインでプロジェクトの名前を右クリックし、[プロジェクトを閉じる]を選択します。実験マネージャーによって,プロジェクトに含まれるすべての実験と結果が閉じられます。

この例では、カスタム学習ループを使用したイメージ分類のために学習実験テンプレートを使用する方法を示します。このテンプレートを使用すると、カスタムの学習実験をすばやくセットアップできます。

例を開き、検査と実行が可能な事前構成済みの実験を含むプロジェクトを読み込みます。実験を開くには、[実験ブラウザー]ペインで、実験の名前 (Experiment1) をダブルクリックします。

または、次の手順に従って、自分で実験を構成することもできます。

1.実験マネージャーを開きます。ダイアログ ボックスには、入門チュートリアルや最近使用したプロジェクトへのリンク、新規プロジェクトを作成するボタン、ドキュメンテーション内のサンプルを開くボタンが用意されています。

2.[新規]で[プロジェクト]を選択します。ダイアログ ボックスには、イメージ分類、イメージ回帰、シーケンス分類、セマンティック セグメンテーション、およびカスタム学習ループといったワークフローをサポートするいくつかの実験テンプレートが一覧表示されます。

3.[イメージ分類実験]で[カスタム学習ループを使用したイメージ分類]を選択します。

4.新しいプロジェクトの場所と名前を選択します。実験マネージャーによって、プロジェクトで新しい実験が開きます。[実験]ペインには、実験を定義する説明、ハイパーパラメーター、および学習関数が表示されます。

3.[説明]フィールドに、実験の説明を次のように入力します。

Classification of digits, using various initial learning rates.

4.[ハイパーパラメーター]で、myInitialLearnRateの値を0.0025:0.0025:0.015に置き換えます。[手法]がExhaustive Sweepに設定されていることを確認します。

5.[学習関数]で[編集]をクリックします。MATLAB エディターで学習関数が開きます。学習関数では、実験で使用される学習データ、ネットワーク アーキテクチャ、学習オプション、および学習手順を指定します。この実験の学習関数には 4 つのセクションがあります。

実験を実行すると、実験マネージャーは学習関数で定義されたネットワークに 6 回学習させます。各試行で、ハイパーパラメーター テーブルで指定された学習率の 1 つが使用されます。既定では、実験マネージャーは一度に 1 つの試行を実行します。Parallel Computing Toolbox がある場合は、複数の試行を同時に実行できます。最良の結果を得るには、実験を実行する前に、GPU と同じ数のワーカーで並列プールを起動します。詳細については、実験マネージャーを使用したネットワークの並列学習とリリース別の GPU サポート(Parallel Computing Toolbox)を参照してください。

結果テーブルに、各試行の学習損失が表示されます。

実験の実行中に[学習プロット]をクリックすると、学習プロットが表示され、各試行の進行状況を追跡できます。

実験の完了後、列ごとにテーブルを並べ替えたり、[フィルター]ペインを使用して試行をフィルター処理したりできます。結果テーブルに注釈を追加して、観測結果を記録することもできます。詳細については、実験結果の並べ替え、フィルター処理、および注釈追加を参照してください。

各試行の性能をテストするには、試行における学習の出力をエクスポートします。[実験マネージャー]ツールストリップで[エクスポート]を選択します。この実験の学習の出力は、学習損失の値と学習済みネットワークを含む構造体です。

実験を閉じるには、[実験ブラウザー]ペインでプロジェクトの名前を右クリックし、[プロジェクトを閉じる]を選択します。実験マネージャーによって,プロジェクトに含まれるすべての実験と結果が閉じられます。

[メトリクス]セクションは、実験結果を評価するための関数を指定します。メトリクス関数への入力は、以下の 3 つのフィールドをもつ構造体です。

メトリクス関数の出力は、スカラー数、logical 値、または string でなければなりません。

実験でベイズ最適化を使用する場合は、[最適化]リストから最適化するメトリクスを選択します。[方向]リストで、このメトリクスの[最大化]または[最小化]を指定します。実験マネージャーは、このメトリクスを使用して、実験に最適なハイパーパラメーターの組み合わせを決定します。学習または検証の標準的メトリクス (精度、RMSE、損失など) を選択することも、テーブルからカスタム メトリクスを選択することもできます。

[学習関数]では、実験で使用される学習データ、ネットワーク アーキテクチャ、学習オプション、および学習手順を指定します。学習関数への入力は以下のとおりです。

学習マネージャーでは学習関数の出力が保存されるため、学習完了時にこの出力を MATLAB ワークスペースにエクスポートできます。

実験でベイズ最適化を使用する場合は、[最適化]の[メトリクス]セクションで最適化するメトリクスの名前を入力します。[方向]リストで、このメトリクスの[最大化]または[最小化]を指定します。実験マネージャーは、このメトリクスを使用して、実験に最適なハイパーパラメーターの組み合わせを決定します。experiments.Monitorを使用して学習関数用に定義した任意のメトリクスを選択できます。

実験マネージャーでは、実験を中断するための 2 つのオプションが用意されています。

どちらのオプションでも、完了した試行の結果が保存され、キューに登録されている試行がキャンセルされます。通常、[キャンセル]のほうが[停止]よりも高速で処理されます。

実験を停止する代わりに、実行中の試行を個別に停止することや、キューに登録されている試行を個別にキャンセルすることができます。結果テーブルの[進行状況]列で、試行の停止ボタンまたはキャンセル ボタンをクリックします。

学習が完了すれば、停止またはキャンセルした試行を再開できます。結果テーブルの[進行状況]列で、試行の再開ボタンをクリックします。

あるいは、[実験マネージャー] ツールストリップで[キャンセル済みをすべて再開]をクリックすることで、キャンセルした試行をまとめて再開することもできます。

結果テーブルで試行を並べ替えるには、学習メトリクスまたは検証メトリクスに対応する列のドロップダウン メニューを使用します。

結果テーブルから試行をフィルター処理するには、[フィルター]ペインを使用します。

実験結果に関する観測結果を記録するには、注釈を追加します。

[注釈]ペインを開いてすべての注釈を表示するには、[実験マネージャー] ツールストリップで[注釈]、[注釈の表示]を選択します。

最初の[Experiment Result]ペインで、[実験のソースの表示]リンクをクリックします。実験マネージャーは、最初の結果セットを生成した実験の定義を含む[Experiment ソース]ペインを開きます。ペインの下部にあるリンクをクリックして、最初の実験の実行時に使用したセットアップ関数を開きます。このセットアップ関数をコピーし、シンプルな分類ネットワークを使用して実験を再実行できます。

2 番目の[Experiment Result]ペインで、[実験のソースの表示]リンクをクリックします。実験マネージャーは、2 番目の結果セットを生成した実験の定義を含む[Experiment ソース]ペインを開きます。ペインの下部にあるリンクをクリックして、2 回目の実験の実行時に使用したセットアップ関数を開きます。このセットアップ関数をコピーし、転移学習を使用して実験を再実行できます。

使用するすべての関数のコピーが実験マネージャーによって保存されるため、実験を変更して再実行するときに、これらの関数の名前を手動で変更する必要はありません。