使用parfeval训练多个深度学习网络
这个例子展示了如何使用parfeval对深度学习网络的网络结构进行深度参数扫描，并在训练过程中检索数据。
深度学习训练通常需要数小时或数天的时间，搜索好的架构可能很困难。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，则可以使用本地并行池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parfeval在云中的集群中对网络架构的深度执行参数扫描。使用parfeval允许您在后台训练而不阻塞MATLAB，并提供选项，如果结果是令人满意的早期停止。您可以修改脚本，对任何其他参数进行参数扫描。此外，本示例还演示了如何在计算过程中通过使用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);
通过创建一个增强的图像数据来训练网络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”）;
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trainNetwork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 (“个”，．．．“MiniBatchSize”miniBatchSize,．．．%设置小批量大小“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,．．．“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，它接受一个输入参数来控制网络的深度，并为CIFAR-10创建一个架构。使用parfeval卸载由…所执行的计算trainNetwork给集群中的一个工作者。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。
netDepths = 1:4;为idx = 1:numel(netdepth) networksFuture(idx) = parfeval(@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，通过使用获取训练过的网络及其训练信息fetchOutputs在networksFuture．的fetchOutputs函数等待，直到将来的变量完成。
[trainedNetworks, trainingInfo] = fetchOutputs (networksFuture);
通过访问，获得网络的最终验证精度trainingInfo结构。
精度= [trainingInfo。FinalValidationAccuracy]
精度=1×472.5600 77.2600 79.4000 78.6800
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= 0.7840
计算测试数据的混淆矩阵。
图(“单位”，“归一化”，“位置”，[0.2 0.2 0.4 0.4]);confusionchart (imdsTest。标签,YPredicted,“RowSummary”，“row-normalized”，“ColumnSummary”，“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 =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{:}));
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中，允许工作者访问该脚本中的任何helper函数。在培训选项中定义一个输出函数，将培训进度从工人发送到客户端。培训选择取决于工人的指标，必须包含在为循环。
netDepths = 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 (“个”，．．．“OutputFcn”@(州)sendTrainingProgress (D idx状态),．．．%设置输出函数，将中间结果发送到客户端。“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,．．．“ValidationFrequency”, validationFrequency);networksFuture (idx) = parfeval (@trainNetwork 2．．．augmentedImdsTrain createNetworkArchitecture (netDepths (idx)),选择);结束
parfeval调用trainNetwork在集群中的一个worker上。计算是在后台进行的，所以您可以继续使用MATLAB。如果你想阻止parfeval计算，你可以调用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fetchOutputs关于未来变量。
[trainedNetworks, trainingInfo] = fetchOutputs (networksFuture);
获取每个网络的最终验证精度。
精度= [trainingInfo。FinalValidationAccuracy]
精度=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) convolutionalBlock (2 * netWidth netDepth) maxPooling2dLayer (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”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
parfeval(并行计算工具箱)|afterEach|trainNetwork|trainingOptions|imageDatastore
相关的话题
你也可以从以下列表中选择一个网站:
