Сгенерируйте код MATLAB от Deep Network Designer

Приложение Deep Network Designer позволяет вам сгенерировать код MATLAB^® для сети, которую вы создаете или редактируете в приложении. После генерации скрипта вы можете:

Запустите скрипт, чтобы воссоздать сетевые слои, созданные в приложении.
Чтобы обучить сеть, запустите скрипт и затем предоставьте слои к trainNetwork функция.
Исследуйте код, чтобы учиться как слоям create и connect программно.
Чтобы изменить слои, отредактируйте код, или запустите скрипт и импортируйте сеть назад в приложение для редактирования.

Сгенерируйте код MATLAB и воссоздайте сетевые слои

Чтобы сгенерировать код MATLAB в Deep Network Designer, выберите одну из этих опций:

Чтобы сгенерировать скрипт, чтобы воссоздать слои в вашей сети, выберите Export> Generate Code.
Чтобы сгенерировать скрипт, чтобы воссоздать вашу сеть включая любые learnable параметры, выберите Export> Generate Code with Pretrained Parameters. Приложение создает скрипт и MAT-файл, содержащий learnable параметры (веса и смещения) от вашей сети. Запустите скрипт, чтобы воссоздать сетевые слои включая learnable параметры из MAT-файла. Используйте эту опцию, чтобы сохранить веса, если вы хотите использовать обучение с переносом.

Выполнение сгенерированного скрипта возвращает сетевую архитектуру как переменную в рабочей области. В зависимости от сетевой архитектуры переменная является графиком слоя под названием lgraph или массивом слоя под названием layers.

Обучение сети

Если слои требуют обучения, предоставляют график слоя или массив слоя к trainNetwork функция.

net = trainNetwork(data,lgraph,options);

Перед обучением необходимо задать данные и опции обучения. Этот пример задает данные и опции, подходящие для того, чтобы обучить сеть GoogLeNet, подготовленную к изучению передачи, как показано в Передаче, Учащейся с Deep Network Designer.

Задайте данные. В данном примере используйте datastore изображений с 5 разделениями классов в наборы обучения и валидации.
```
unzip('MerchData.zip');
imds = imageDatastore('MerchData', ...
    'IncludeSubfolders',true, ...
    'LabelSource','foldernames');
[imdsTrain,imdsValidation] = splitEachLabel(imds,0.7,'randomize');
```
Обычно необходимо изменять размер изображений, чтобы совпадать с входным размером сети. Измените размер в учебное время к 224 224, чтобы совпадать с предварительно обученной сетью GoogLeNet.
```
augimdsTrain = augmentedImageDatastore([224 224],imdsTrain);
augimdsValidation = augmentedImageDatastore([224 224],imdsValidation);
```
Задайте опции обучения. Например, включите график прогресса, задайте данные о валидации, задайте количество изображений, чтобы использовать в каждой итерации (MiniBatchSize) и количество учебных циклов, чтобы выполнить на целом наборе данных (MaxEpochs). Для изучения передачи, набор InitialLearnRate к маленькому значению, чтобы замедлить изучение в переданных слоях.
```
options = trainingOptions('sgdm', ...
  'MiniBatchSize',10, ...
  'MaxEpochs',6, ...
  'InitialLearnRate',1e-4, ...
  'Shuffle','every-epoch', ...
  'ValidationData',augimdsValidation, ...
  'ValidationFrequency',10, ...
  'Verbose',false, ...
  'Plots','training-progress');
```
Чтобы воссоздать сетевые слои, запустите сгенерированный скрипт.
Чтобы обучить сеть, предоставьте график слоя или массив слоя к trainNetwork функция, с помощью заданных данных и опций обучения.
```
net = trainNetwork(augimdsTrain,lgraph,options);
```

Для скрипта в качестве примера, который устанавливает опции обучения для передачи, учащейся в сети, подготовленной в Deep Network Designer, смотрите, Обучат сеть Экспортируемые от Deep Network Designer.

Используйте сеть в прогнозе

Чтобы использовать обучивший сеть в прогнозе, используйте predict функция. Например, используйте сеть, чтобы предсказать класс peppers.png.

img = imread("peppers.png");
img = imresize(img, [128, 128]);
label = predict(net, img);
imshow(img);
title(label);

Для примеров командной строки, показывающих, то, как установить опции обучения и оценить, обучило сеть точность, смотрите, Создают Простую сеть глубокого обучения для Классификации и Обучают Остаточную Сеть для Классификации Изображений.

Документация