主要内容

多输入多输出网络

在深度学习工具箱™中，您可以定义具有多个输入(例如，针对多个来源和数据类型训练的网络)或多个输出(例如，预测分类和回归响应的网络)的网络体系结构。

应用网络

当网络需要来自多个来源或不同格式的数据时，定义具有多个输入的网络。例如，需要从不同分辨率的多个传感器捕获图像数据的网络。

培训

要定义和训练具有多个输入的深度学习网络，可以使用layerGraph对象并使用trainNetwork函数与数据存储输入。

若要为具有多个输入层的网络使用数据存储，请使用结合而且变换函数来创建一个数据存储，该数据存储输出带有(的单元格数组numInputs+ 1)列，其中numInputs是网络输入的数量。在这种情况下，是第一个numInputs列指定每个输入的预测器，最后一列指定响应。输入的顺序由InputNames层图的属性层．

有关演示如何使用图像和特征输入训练网络的示例，请参见图像与特征数据训练网络．

提示

如果网络也有多个输出，则必须使用自定义训练循环。有关更多信息，请参见多输出网络．

预测

要在具有多个输入的经过训练的深度学习网络上进行预测，可以使用预测或分类函数。使用下列任意一种指定多个输入:

  • combinedDatastore对象

  • transformedDatastore对象

  • 多个数值数组

多输出网络

为需要不同格式的多个响应的任务定义具有多个输出的网络。例如，需要分类和数字输出的任务。

培训

要训练具有多个输出的深度学习网络，可以使用自定义训练循环。示例请参见多输出训练网络．

预测

要使用模型函数进行预测，直接使用带有训练参数的模型函数。示例请参见利用模型函数进行预测．

或者，将模型函数转换为aDAGNetwork对象使用assembleNetwork函数。通过组装的网络，您可以:

  • 方法对其他数据类型(例如数据存储)进行预测预测函数DAGNetwork对象。

  • 方法指定预测选项，例如小批大小预测函数DAGNetwork对象。

  • 将网络保存在MAT文件中。

示例请参见装配多输出网络进行预测．

另请参阅

|

相关的话题

Baidu
map