使用自定义训练循环训练网络

这个例子展示了如何训练一个使用自定义学习速率计划对手写数字进行分类的网络。

你可以训练大多数类型的神经网络使用trainNetwork而且trainingOptions功能。如果trainingOptions函数没有提供所需的选项(例如，自定义学习速率计划)，那么您可以使用dlarray而且dlnetwork对象自动区分。举个例子，展示如何使用trainNetwork功能,请参阅使用预训练网络的迁移学习．

训练深度神经网络是一项优化任务。把神经网络看作一个函数 $$f（X；\theta ）$$,在那里 $$X$$是网络输入，和 $$\theta$$是否设置了可学习的参数，可以进行优化 $$\theta$$根据训练数据，最小化了一些损失值。例如，优化可学习参数 $$\theta$$这样对于一个给定的输入 $$X$$有相应的目标 $$T$$，它们将预测之间的误差最小化 $$Y＝f（X；\theta ）$$而且 $$T$$．

所使用的损失函数取决于任务的类型。例如:

你可以使用梯度下降来优化目标:减少损失 $$l$$通过迭代更新可学习参数 $$\theta$$通过使用损失相对于可学习参数的梯度，逐步向最小值迈进。梯度下降算法通常通过使用表单更新步骤的变体来更新可学习参数 $${\theta }_{t+1}＝{\theta }_t-\rho \nabla l$$,在那里 $$t$$为迭代次数， $$\rho$$是学习率，和 $$\nabla l$$表示梯度(损失对可学习参数的导数)。

方法训练网络对手写数字进行分类基于时间的衰减学习率计划:对于每一次迭代，求解器使用给定的学习率 ${\rho }_{\mathit{t}}＝\frac{{\rho }_0}{1+\mathit{k}\mathit{t}}$,在那里t为迭代次数， $${\rho }_0$$是初始学习率，和k是衰减的。

dataFolder = fullfile (toolboxdir (“nnet”)，“nndemos”，“nndatasets”，“DigitDataset”）;imd = imageDatastore (dataFolder,.．.IncludeSubfolders = true,.．.．LabelSource =“foldernames”）;

[imdsTrain, imdsValidation] = splitEachLabel (imd, 0.9,“随机”）;

inputSize = [28 28 1];pixelRange = [-5 5];imageAugmenter = imageDataAugmenter (.．.RandXTranslation = pixelRange,.．.RandYTranslation = pixelRange);augimdsTrain = augmentedImageDatastore (inputSize (1:2), imdsTrain, DataAugmentation = imageAugmenter);

augimdsValidation = augmentedImageDatastore (inputSize (1:2), imdsValidation);

类=类别(imdsTrain.Labels);numClasses =元素个数(类);

layers = [imageInputLayer(inputSize, normalized = .“没有”) convolution2dLayer(5、20、填充=“相同”) batchNormalizationLayer reluLayer convolution2dLayer(3,20,Padding= .“相同”) batchNormalizationLayer reluLayer convolution2dLayer(3,20,Padding= .“相同”) batchNormalizationLayer reluLayer fulllyconnectedlayer (numClasses) softmaxLayer];

净= dlnetwork(层)

层:[12×1 nnet.cnn.layer.Layer] Connections: [11×2 table] Learnables: [14×3 table] State: [6×3 table] InputNames: {'imageinput'} OutputNames: {'softmax'} Initialized: 1用summary查看摘要。

numEpochs = 10;miniBatchSize = 128;

initialLearnRate = 0.01;衰变= 0.01;动量= 0.9;

兆贝可= minibatchqueue (augimdsTrain,.．.MiniBatchSize = MiniBatchSize,.．.MiniBatchFcn = @preprocessMiniBatch,.．.MiniBatchFormat = [“SSCB”＂＂]);

速度= [];

numObservationsTrain =元素个数(imdsTrain.Files);numIterationsPerEpoch = ceil(numObservationsTrain / miniBatchSize);numIterations = numEpochs * numIterationsPerEpoch;

监控= = trainingProgressMonitor(指标“损失”信息= (“时代”，“LearnRate”),包含=“迭代”）;

时代= 0;迭代= 0;循环遍历各个时代。而epoch < numEpochs && ~monitor。停止epoch = epoch + 1;%洗牌数据。洗牌(兆贝可);在小批量上循环。而hasdata(兆贝可)& & ~班长。停止迭代=迭代+ 1;读取小批数据。[X, T] =下一个(兆贝可);评估模型的梯度，状态和损失使用dlfeval和% modelLoss函数，并更新网络状态。(损失、渐变、状态)= dlfeval (@modelLoss,净,X, T);网=状态;为基于时间的衰减学习率时间表确定学习率。learnRate = initialLearnRate/(1 + decay*iteration);使用SGDM优化器更新网络参数。(净、速度)= sgdmupdate(净、渐变速度,learnRate动量);更新培训进度监视器。recordMetrics(监控、迭代损失=损失);updateInfo(监控、时代=时代LearnRate = LearnRate);班长。进度= 100 *迭代/numIterations;结束结束

numOutputs = 1;mbqTest = minibatchqueue (augimdsValidation numOutputs,.．.MiniBatchSize = MiniBatchSize,.．.MiniBatchFcn = @preprocessMiniBatchPredictors,.．.MiniBatchFormat =“SSCB”）;

欧美= modelPredictions(净、mbqTest、类);

tt = imdsValidation.Labels;精度=平均值(TTest == YTest)

精度= 0.9750

次图confusionchart (tt)

函数(损失、渐变、状态)= modelLoss(净,X, T)通过网络转发数据。[Y,状态]=前进(净,X);计算交叉熵损失。损失= crossentropy (Y, T);计算相对于可学习参数的损失梯度。。梯度= dlgradient(损失、net.Learnables);结束

函数Y = modelforecasts (net,mbq,classes) Y = [];在小批量上循环。而hasdata(mbq) X = next(mbq);%进行预测。成绩=预测(净,X);解码标签并附加到输出。标签= onehotdecode(成绩、类1)';Y = [Y;标签);结束结束

函数[X, T] = preprocessMiniBatch (dataX人数()%预处理预测。X = preprocessMiniBatchPredictors (dataX);从单元格中提取标签数据并连接。猫(T = 2,人数({1:结束});单热编码标签。T = onehotencode (T, 1);结束

函数X = preprocessMiniBatchPredictors (dataX)%连接。猫(X = 4, dataX{1:结束});结束

另请参阅

trainingProgressMonitor|dlarray|dlgradient|dlfeval|dlnetwork|向前|adamupdate|预测|minibatchqueue|onehotencode|onehotdecode

相关的话题

• 训练生成对抗网络(GAN)
• 定义自定义训练循环的模型损失函数
• 更新自定义训练循环中的批归一化统计数据
• 定义自定义训练循环，损失函数和网络
• 在自定义训练循环中指定训练选项
• 监控自定义训练循环的进度
• 深度学习层列表
• dlarray支持的函数列表