Вычислите нейронную сеть для глубокого обучения выход для вывода
Некоторые слои глубокого обучения ведут себя по-другому во время обучения и заключают (прогноз). Например, во время обучения, слои уволенного случайным образом обнуляют входные элементы, чтобы помочь предотвратить сверхподбор кривой, но во время вывода, слои уволенного не изменяют вход.
Чтобы вычислить сетевые выходные параметры для вывода, используйте predict функция. Чтобы вычислить сетевые выходные параметры для обучения, используйте forward функция. Для прогноза с SeriesNetwork и DAGNetwork объекты, смотрите predict.
[dlY1,...,dlYN] = predict( возвращает выходные параметры dlnet,dlX,'Outputs',layerNames)dlY1, …, dlYN для заданных слоев.
dlnetwork ОбъектВ этом примере показано, как сделать прогнозы с помощью dlnetwork объект путем разделения данных в мини-пакеты.
Для больших наборов данных, или при предсказании на оборудовании с ограниченной памятью, делают прогнозы путем разделения данных в мини-пакеты. При создании прогнозов с SeriesNetwork или DAGNetwork объекты, predict функционируйте автоматически разделяет входные данные в мини-пакеты. Для dlnetwork объекты, необходимо разделить данные в мини-пакеты вручную.
Загрузите dlnetwork Объект
Загрузите обученный dlnetwork возразите и соответствующие классы.
s = load("digitsCustom.mat");
dlnet = s.dlnet;
classes = s.classes;Загрузите данные для прогноза
Загрузите данные о цифрах для прогноза.
digitDatasetPath = fullfile(matlabroot,'toolbox','nnet','nndemos', ... 'nndatasets','DigitDataset'); imds = imageDatastore(digitDatasetPath, ... 'IncludeSubfolders',true);
Сделайте прогнозы
Цикл по мини-пакетам тестовых данных и делает прогнозы с помощью пользовательского цикла прогноза. Чтобы считать мини-пакет данных из datastore, установите ReadSize свойство к мини-пакетному размеру.
Для каждого мини-пакета:
Преобразуйте данные в dlarray объекты с базовым одним типом и указывают, что размерность маркирует 'SSCB' (пространственный, пространственный, канал, пакет).
Для прогноза графического процессора преобразуйте в gpuArray объекты.
Сделайте прогнозы с помощью predict функция.
Определите метки класса путем нахождения максимальных баллов.
Задайте опции прогноза. Задайте мини-пакетный размер 128 и сделайте прогнозы на графическом процессоре, если вы доступны. Используя графический процессор требует Parallel Computing Toolbox™, и CUDA® включил NVIDIA®, графический процессор с вычисляет возможность 3.0 или выше.
miniBatchSize = 128;
executionEnvironment = "auto";Установите свойство размера чтения datastore изображений к мини-пакетному размеру.
imds.ReadSize = miniBatchSize;
Сделайте прогнозы цикличным выполнением по мини-пакетам данных.
numObservations = numel(imds.Files); YPred = strings(1,numObservations); i = 1; % Loop over mini-batches. while hasdata(imds) % Read mini-batch of data. data = read(imds); X = cat(4,data{:}); % Normalize the images. X = single(X)/255; % Convert mini-batch of data to dlarray. dlX = dlarray(X,'SSCB'); % If training on a GPU, then convert data to gpuArray. if (executionEnvironment == "auto" && canUseGPU) || executionEnvironment == "gpu" dlX = gpuArray(dlX); end % Make predictions using the predict function. dlYPred = predict(dlnet,dlX); % Determine corresponding classes. [~,idxTop] = max(extractdata(dlYPred),[],1); idxMiniBatch = i:min((i+miniBatchSize-1),numObservations); YPred(idxMiniBatch) = classes(idxTop); i = i + miniBatchSize; end
Визуализируйте некоторые прогнозы.
idx = randperm(numObservations,9); figure for i = 1:9 subplot(3,3,i) I = imread(imds.Files{idx(i)}); label = YPred(idx(i)); imshow(I) title("Label: " + label) end
dlarray | dlfeval | dlgradient | dlnetwork | forward