加载数据

将数字样本数据加载为图像数据存储。数字数据集由10,000个手写数字的合成灰度图像组成。每张图像都是28 × 28 × 1像素，并已旋转一定角度。你可以使用深度学习来训练回归模型来预测图像的角度。

加载数字图像及其相应的旋转角度。

[XTrain，~，anglesTrain] = digitTrain4DArrayData;[XValidation，~，anglesValidation] = digitTest4DArrayData;

要使用深度网络设计器训练回归网络，数据必须在数据存储中。将图像和角度转换为arrayDatastore对象。

adsXTrain = arrayDatastore(XTrain,IterationDimension=4);adsAnglesTrain = arrayDatastore(anglesTrain);

要将两个数据存储中的图像和角度都输入到深度学习网络中，请使用结合函数。类返回的数据横向连接，从而组合输入数据存储和目标数据存储读函数。

cdsTrain = combine(adsXTrain,adsAnglesTrain);

在验证数据上重复数据处理步骤。

adsXValidation = arrayDatastore(XValidation,IterationDimension=4);adsAnglesValidation = arrayDatastore(anglesValidation);cdsValidation = combine(adsXValidation,adsAnglesValidation);

定义网络架构

定义网络架构。您可以通过在深度网络设计器中拖动层来交互式地构建此网络。或者，您也可以在命令行中创建这个网络，并将其导入到Deep network Designer中。

图层= [imageInputLayer([28 28 1])卷积2dlayer(3,8，填充=“相同”) batchNormalizationLayer reluLayer averagePooling2dLayer(2,Stride=2) convolution2dLayer(3,16,Padding=“相同”) batchNormalizationLayer reluLayer averagePooling2dLayer(2,Stride=2) convolution2dLayer(3,32,Padding=“相同”) batchNormalizationLayer relullayer卷积2dlayer(3,32，填充=“相同”) batchNormalizationLayer reluLayer dropoutLayer(0.2) fullyConnectedLayer(1) regressionLayer];deepNetworkDesigner(层)

导入数据

将数字数据导入深度网络设计器。选择数据选择并单击导入数据>导入数据存储．选择cdsTrain作为训练数据和cdsValidation作为验证数据。

通过单击导入数据进口．

列车网络的

指定训练选项并训练网络。在培训选项卡上,单击培训方案．对于本例，将求解器设置为亚当并保持其他默认设置。单击，设置培训选项关闭．

单击，使用导入的数据和指定的训练选项对网络进行训练火车．训练进度图显示了小批损失和均方根误差(RMSE)以及验证损失和误差。

生成实验

训练完成后，您可以生成一个实验来扫描一系列超参数值，以找到最佳的训练选项。

生成一个实验，在培训选项卡上,单击出口>创建实验．

Deep Network Designer使用您的网络和导入的数据生成一个实验模板。然后打开应用程序实验管理器．在实验管理器中，您可以选择将新实验添加到新项目、现有项目或当前项目中。

实验由描述、超参数表、设置函数和用于评估实验结果的度量函数集合组成。

的Hyperparameters部分指定策略(详尽的扫描)和用于实验的超参数值。运行实验时，“实验管理器”将使用超参数表中指定的超参数值的每个组合来训练网络。默认情况下，深度网络设计器生成一个实验，以您过去训练的学习速率为中心，扫描一系列学习速率。

的设置函数为实验配置训练数据、网络架构和训练选项。深度网络设计器自动配置设置功能，以使用您的网络和数据。setup函数的输入是一个结构体参数个数使用超参数表中的字段。要检查或编辑设置功能，请在设置函数,点击编辑．

如果您的网络包含自定义层或训练选项包含相对检查点路径，深度网络设计器将在实验设置脚本中生成支持函数。在进行实验之前，您必须检查和编辑这些支持功能。

运行实验

在实验管理器中，点击运行实验运行．当您运行实验时，实验管理器将训练由设置函数定义的网络。每次试验使用超参数表中指定的一个学习率。

一个结果表显示了每个试验的RMSE和损失。当实验结束时，您可以根据RMSE或损失指标对试验进行排序，以查看哪个试验表现最好。在本例中，试验3的初始学习率为0.01，表现最好。

在实验运行时，显示训练图并跟踪每次试验的进度审查结果,点击培训策划．

添加Hyperparameter

要添加另一个要扫描的超参数，必须将其添加到Hyperparameters表并更新设置函数。

类中添加另一个超参数Hyperparameters表。添加．对于本例，添加一个新的超参数mySolver用价值观["adam" "sgdm" "rmsprop"]．

接下来，编辑setup函数以扫描新的超参数。要编辑设置函数，请单击设置函数,点击编辑．在培训方案节的活动脚本，更改的第一个参数trainingOptions函数“亚当”来params.mySolver．点击保存并关闭设置函数。

点击运行更新后的实验运行．实验管理器尝试每种学习率和求解器超参数的组合。在本例中，试验5的初始学习率为0.001，采用SGDM求解器，表现最好。