Графики отобразиться во время сетевого обучения, заданного как одно из следующего:

Индикатор, чтобы отобразить учебную информацию о прогрессе в командном окне, заданном как 1 (true) или 0 (false).

Отображенная информация включает номер эпохи, номер итерации, время протекло, мини-пакетная потеря, мини-пакетная точность и основной темп обучения. Когда вы обучаете сеть регрессии, среднеквадратичную ошибку (RMSE) показывают вместо точности. Если вы подтверждаете сеть во время обучения, то отображенная информация также включает потерю валидации и точность валидации (или RMSE).

Типы данных: логический

Частота многословной печати, которая является количеством итераций между печатью к командному окну, заданному как положительное целое число. Это свойство только имеет эффект, когда значение Verbose равняется true.

Если вы подтверждаете сеть во время обучения, то печать trainNetwork к командному окну каждый раз валидация происходит.

Максимальное количество эпох, чтобы использовать для обучения, заданного как положительное целое число.

Итерация является одним шагом, сделанным в алгоритме спуска градиента к минимизации функции потерь с помощью мини-пакета. Эпоха является всей передачей учебного алгоритма по целому набору обучающих данных.

Размер мини-пакета, чтобы использовать для каждой учебной итерации, заданной как положительное целое число. Мини-пакет является подмножеством набора обучающих данных, который используется, чтобы оценить градиент функции потерь и обновить веса.

Опция для перестановки данных, заданная как одно из следующего:

Данные, чтобы использовать для валидации во время обучения, заданного как datastore изображений, datastore, который возвращает данные в ячейке таблицы 2D столбца или массиве 2D ячейки столбца, таблице или массиве ячеек. Формат данных о валидации зависит от типа задачи, и соответствуйте допустимым входным параметрам к функции trainNetwork.

Данные изображения

Для данных изображения задайте данные о валидации как одно из следующего:

Последовательность и данные временных рядов

Для последовательности и данных временных рядов, задайте данные о валидации как одно из следующего:

Во время обучения trainNetwork вычисляет точность валидации и потерю валидации на данных о валидации. Чтобы задать частоту валидации, используйте аргумент пары "имя-значение" 'ValidationFrequency'. Можно также использовать данные о валидации, чтобы остановить обучение автоматически, когда потеря валидации прекращает уменьшаться. Чтобы включить автоматическую остановку валидации, используйте аргумент пары "имя-значение" 'ValidationPatience'.

Если ваша сеть имеет слои, которые ведут себя по-другому во время прогноза, чем во время обучения (например, слои уволенного), то точность валидации может быть выше, чем учебная (мини-пакетная) точность.

Данные о валидации переставляются согласно значению 'Shuffle'. Если значение 'Shuffle' равняется 'every-epoch', то данные о валидации переставляются перед каждой сетевой валидацией.

Частота сетевой валидации в количестве итераций, заданных как положительное целое число.

Значение ValidationFrequency является количеством итераций между оценками метрик валидации.

Терпение остановки валидации сетевого обучения, заданного как положительное целое число или Inf.

Значение 'ValidationPatience' является числом раз, что потеря на наборе валидации может быть больше, чем или равняться ранее самой маленькой потере, прежде чем сетевое обучение остановится.

Начальный темп обучения используется для обучения, заданного как положительная скалярная величина. Если темп обучения является слишком низким, то обучение занимает много времени. Если темп обучения слишком высок, то обучение может достигнуть субоптимального результата.

Настройки для расписания темпа обучения, заданного как структура. LearnRateScheduleSettings имеет поле Method, которое задает тип метода для корректировки темпа обучения. Возможные методы:

Если Method является 'piecewise', то LearnRateScheduleSettings содержит еще два поля:

Задайте настройки для уровня расписания изучения с помощью trainingOptions.

Типы данных: struct

Фактор для _{L2 regularizer} (затухание веса), заданный как неотрицательный скаляр.

Можно задать множитель для _{L2 regularizer} для сетевых слоев с learnable параметрами.

Вклад градиента продвигается от предыдущей итерации до текущей итерации обучения, заданного как скалярное значение от 0 до 1. Значение 0 средних значений никакой вклад от предыдущего шага, тогда как значение 1 среднего значения максимальный вклад от предыдущего шага. Для получения дополнительной информации о других решателях, смотрите Стохастический Спуск Градиента.

Положительный порог для градиента, заданного как положительная скалярная величина или Inf. Когда градиент превышает значение GradientThreshold, затем градиент отсекается согласно GradientThresholdMethod.

Пороговый метод градиента раньше отсекал значения градиента, которые превышают порог градиента, заданный как одно из следующего:

Для получения дополнительной информации смотрите, что Градиент Отсекает.

Опция, чтобы заполнить, обрежьте или разделите входные последовательности, заданные как одно из следующего:

Если вы задаете длину последовательности как положительное целое число, то программные процессы меньшие последовательности в последовательных итерациях. Сеть обновляет сетевое состояние между последовательностями разделения.

Программное обеспечение заполняет и обрезает последовательности справа. Чтобы узнать больше об эффекте дополнения, усечение и разделение входных последовательностей, видят, что Последовательность Дополняет, Усечение, и Разделяет.

Значение, которым можно заполнить входные последовательности, заданные как скаляр. Опция допустима только, когда SequenceLength является 'longest' или положительное целое число. Не заполняйте последовательности NaN, потому что выполнение так может распространить ошибки в сети.

Аппаратный ресурс для того, чтобы обучить сеть, заданный как одно из следующего:

Для получения дополнительной информации о том, когда использовать различные среды выполнения, смотрите, Увеличивают Глубокое обучение параллельно и в Облаке.

Графический процессор, мультиграфический процессор и параллельные опции требуют Параллельных вычислений, Toolbox™.To используют графический процессор для глубокого обучения, у вас должен также быть CUDA^®, включенный NVIDIA^®, графический процессор с вычисляет возможность 3.0 или выше. Если вы выбираете одну из этих опций и Parallel Computing Toolbox, или подходящий графический процессор не доступен, то программное обеспечение возвращает ошибку.

Чтобы видеть улучшение производительности когда обучение параллельно, попытайтесь увеличить опцию обучения MiniBatchSize, чтобы сместить коммуникацию наверху.

Учебные длинные краткосрочные сети памяти поддерживают одно обучение центрального процессора и графического процессора только.

Задайте среду выполнения с помощью trainingOptions.

Типы данных: char

Деление загрузки рабочего для графических процессоров или центральных процессоров, заданных как скаляр от 0 до 1, положительное целое число или числовой вектор. Это свойство имеет эффект только, когда значение ExecutionEnvironment равняется 'multi-gpu' или 'parallel'.

Путь, где сети контрольной точки сохранены, заданы как вектор символов.

Типы данных: char

Выходные функции, чтобы вызвать во время обучения, заданного как указатель на функцию или cell-массив указателей на функцию. trainNetwork вызывает заданные функции однажды запуск обучения после каждой итерации, и однажды после того, как обучение закончилось. trainNetwork передает структуру, содержащую информацию в следующих полях:

Если поле не вычисляется или не важно для определенного вызова выходных функций, то то поле содержит пустой массив.

Можно использовать выходные функции, чтобы отобразить или построить информацию о прогрессе или остановить обучение. Чтобы остановить обучение рано, заставьте свою выходную функцию возвратить true. Если какая-либо выходная функция возвращает true, то учебные концы и trainNetwork возвращают последнюю сеть. Для примера, показывающего, как использовать выходные функции, смотрите, Настраивают Вывод Во время Обучения Нейронной сети для глубокого обучения.

Типы данных: function_handle | cell