В этом примере показано, как настроить пользовательский учебный цикл, чтобы обучить сеть параллельно. В этом примере параллельные рабочие обучаются на фрагментах полного мини-пакета. Если у вас есть графический процессор, то обучение происходит на графическом процессоре. Во время обучения, DataQueue
объект передает информацию о процессе обучения обратно клиенту MATLAB.
Загрузите набор данных цифры и создайте datastore изображений для набора данных. Разделите datastore в обучение и протестируйте хранилища данных рандомизированным способом.
digitDatasetPath = fullfile(matlabroot,'toolbox','nnet','nndemos', ... 'nndatasets','DigitDataset'); imds = imageDatastore(digitDatasetPath, ... 'IncludeSubfolders',true, ... 'LabelSource','foldernames'); [imdsTrain,imdsTest] = splitEachLabel(imds,0.9,"randomized");
Определите различные классы в наборе обучающих данных.
classes = categories(imdsTrain.Labels); numClasses = numel(classes);
Задайте свою сетевую архитектуру и превратите ее в график слоя при помощи layerGraph
функция.
layers = [ imageInputLayer([28 28 1],'Name','input','Normalization','none') convolution2dLayer(5,20,'Name','conv1') reluLayer('Name','relu1') convolution2dLayer(3,20,'Padding',1,'Name','conv2') reluLayer('Name','relu2') convolution2dLayer(3,20,'Padding',1,'Name','conv3') reluLayer('Name','relu3') fullyConnectedLayer(numClasses,'Name','fc')]; lgraph = layerGraph(layers);
Создайте dlnetwork
объект из графика слоя. dlnetwork
объекты допускают обучение с пользовательскими циклами.
dlnet = dlnetwork(lgraph)
dlnet = dlnetwork with properties: Layers: [8×1 nnet.cnn.layer.Layer] Connections: [7×2 table] Learnables: [8×3 table] State: [0×0 table]
Определите, доступны ли графические процессоры для MATLAB, чтобы использовать с canUseGPU
функция.
Если существуют доступные графические процессоры, то обучаются на графических процессорах. Создайте параллельный пул со столькими же рабочих сколько графические процессоры.
Если нет никаких доступных графических процессоров, то не обучаются на центральных процессорах. Создайте параллельный пул с количеством по умолчанию рабочих.
if canUseGPU executionEnvironment = "gpu"; numberOfGPUs = gpuDeviceCount; pool = parpool(numberOfGPUs); else executionEnvironment = "cpu"; pool = parpool; end
Starting parallel pool (parpool) using the 'local' profile ... Connected to the parallel pool (number of workers: 6).
Получите количество рабочих в параллельном пуле. Позже в этом примере, вы делите рабочую нагрузку согласно этому номеру.
N = pool.NumWorkers;
Чтобы передать данные обратно от рабочих во время обучения, создайте DataQueue
объект. Используйте afterEach
настраивать функцию, displayTrainingProgress
, чтобы вызвать каждый раз, рабочий отправляет данные. displayTrainingProgress
функция поддержки, заданная в конце этого примера, который отображает информацию о процессе обучения, которая прибывает от рабочих.
Q = parallel.pool.DataQueue; afterEach(Q,@displayTrainingProgress);
Задайте опции обучения.
numEpochs = 20; miniBatchSize = 128; velocity = [];
Для обучения графического процессора методические рекомендации должны увеличить мини-пакетный размер линейно с количеством графических процессоров, для того, чтобы сохранить рабочую нагрузку на каждом графическом процессоре постоянной. Для более связанного совета смотрите Обучение с помощью Нескольких графических процессоров (Deep Learning Toolbox).
if executionEnvironment == "gpu" miniBatchSize = miniBatchSize .* N end
Вычислите мини-пакетный размер для каждого рабочего путем деления полного мини-пакетного размера равномерно между рабочими. Распределите остаток на первых рабочих.
workerMiniBatchSize = floor(miniBatchSize ./ repmat(N,1,N)); remainder = miniBatchSize - sum(workerMiniBatchSize); workerMiniBatchSize = workerMiniBatchSize + [ones(1,remainder) zeros(1,N-remainder)]
workerMiniBatchSize = 1×6
22 22 21 21 21 21
Обучите модель с помощью пользовательского параллельного учебного цикла, как детализировано в следующих шагах. Чтобы выполнить код одновременно на всех рабочих, используйте spmd
блок. В spmd
блок, labindex
дает индекс выполняющегося в данного момента рабочего код.
Перед обучением разделите datastore для каждого рабочего при помощи partition
функция и набор ReadSize
к мини-пакетному размеру рабочего.
В течение каждой эпохи, сброса и перестановки datastore с reset
и shuffle
функции.
Для каждой итерации в эпоху:
Убедитесь, что у всех рабочих есть доступные данные прежде, чем начать обрабатывать его параллельно путем выполнения глобального and
операция (gop
) на результате hasdata
функция.
Считайте мини-пакет из datastore при помощи read
функция, и конкатенирует полученные изображения в четырехмерный массив изображений. Нормируйте изображения так, чтобы пиксели приняли значения между 0
и 1
.
Преобразуйте метки в матрицу фиктивных переменных, которая помещает метки против наблюдений. Фиктивные переменные содержат 1
для метки наблюдения и 0
в противном случае.
Преобразуйте мини-пакет данных к dlarray
объект с базовым одним типом и указывает, что размерность маркирует 'SSCB'
(пространственный, пространственный, канал, пакет). Для обучения графического процессора преобразуйте данные в gpuArray
.
Вычислите градиенты и потерю сети на каждом рабочем путем вызова dlfeval
на modelGradients
функция. dlfeval
функция выполняет функцию помощника modelGradients
с автоматическим включенным дифференцированием, таким образом, modelGradients
может вычислить градиенты относительно потери автоматическим способом. modelGradients
задан в конце примера и возвращает потерю и градиенты, учитывая сеть, мини-пакет данных и истинные метки.
Чтобы получить полную потерю, агрегируйте потери на всех рабочих. Этим примером использование пересекает энтропию для функции потерь и агрегированную потерю, является сумма всех потерь. Перед агрегацией нормируйте каждую потерю путем умножения пропорцией полного мини-пакета, что рабочий продолжает работать. Используйте gplus
добавить все потери вместе и реплицировать результаты через рабочих.
Чтобы агрегировать и обновить градиенты всех рабочих, используйте dlupdate
функция на aggregateGradients
функция. aggregateGradients
функция, определяемая поддержки в конце примера. Эта функция использует gplus
добавить вместе и реплицировать градиенты через рабочих, после нормализации согласно пропорции полного мини-пакета, что каждый рабочий продолжает работать.
После вычисления итоговых градиентов обновите сетевые learnable параметры с sgdmupdate
функция.
Передайте информацию о процессе обучения обратно клиенту при помощи send
функция с DataQueue
. Используйте только одного рабочего, чтобы отправить данные, потому что у всех рабочих есть та же информация о потере. Гарантировать, что данные находятся на центральном процессоре, так, чтобы клиентская машина без графического процессора могла получить доступ к нему, gather
использования на
dlarray
прежде, чем отправить его.
spmd % Partition datastore. workerImds = partition(imdsTrain,N,labindex); workerImds.ReadSize = workerMiniBatchSize(labindex); workerVelocity = velocity; iteration = 0; for epoch = 1:numEpochs % Reset and shuffle the datastore. reset(workerImds); workerImds = shuffle(workerImds); % Loop over mini-batches. while gop(@and,hasdata(workerImds)) iteration = iteration + 1; % Read a mini-batch of data. [workerXBatch,workerTBatch] = read(workerImds); workerXBatch = cat(4,workerXBatch{:}); workerNumObservations = numel(workerTBatch.Label); % Normalize the images. workerXBatch = single(workerXBatch) ./ 255; % Convert the labels to dummy variables. workerY = zeros(numClasses,workerNumObservations,'single'); for c = 1:numClasses workerY(c,workerTBatch.Label==classes(c)) = 1; end % Convert the mini-batch of data to dlarray. dlworkerX = dlarray(workerXBatch,'SSCB'); % If training on GPU, then convert data to gpuArray. if executionEnvironment == "gpu" dlworkerX = gpuArray(dlworkerX); end % Evaluate the model gradients and loss on the worker. [workerGradients,dlworkerLoss] = dlfeval(@modelGradients,dlnet,dlworkerX,workerY); % Aggregate the losses on all workers. workerNormalizationFactor = workerMiniBatchSize(labindex)./miniBatchSize; loss = gplus(workerNormalizationFactor*extractdata(dlworkerLoss)); % Aggregate the gradients on all workers. workerGradients.Value = dlupdate(@aggregateGradients,workerGradients.Value,{workerNormalizationFactor}); % Update the network parameters using the SGDM optimizer. [dlnet.Learnables,workerVelocity] = sgdmupdate(dlnet.Learnables,workerGradients,workerVelocity); end % Display training progress information. if labindex == 1 data = [epoch loss]; send(Q,gather(data)); end end end
Analyzing and transferring files to the workers ...done.
После того, как вы обучите сеть, можно протестировать ее точность.
Загрузите тестовые изображения в память при помощи readall
на тестовом datastore конкатенируйте их и нормируйте их.
XTest = readall(imdsTest); XTest = cat(4,XTest{:}); XTest = single(XTest) ./ 255; YTest = imdsTest.Labels;
После того, как обучение завершено, у всех рабочих есть завершенное то же самое, обучил сеть. Получите любого из них.
dlnetFinal = dlnet{1};
Классифицировать изображения с помощью dlnetwork
объект, используйте predict
функция на dlarray
.
dlYPredScores = predict(dlnetFinal,dlarray(XTest,'SSCB'));
От предсказанных баллов найдите класс с самым высоким счетом с max
функция. Прежде чем вы сделаете это, извлеките данные из dlarray
с extractdata
функция.
[~,idx] = max(extractdata(dlYPredScores),[],1); YPred = classes(idx);
Чтобы получить точность классификации модели, сравните прогнозы на наборе тестов против истинных меток.
accuracy = mean(YPred==YTest)
accuracy = 0.9970
Задайте функцию, modelGradients
, вычислить градиенты потери относительно learnable параметров сети. Эта функция вычисляет сетевые выходные параметры для мини-пакетного X
с forward
и softmax
и вычисляет потерю, учитывая истинные выходные параметры, с помощью перекрестной энтропии. Когда вы вызываете эту функцию с dlfeval
, автоматическое дифференцирование включено, и dlgradient
может вычислить градиенты потери относительно learnables автоматически.
function [dlgradients,dlloss] = modelGradients(dlnet,dlX,dlY) dlYPred = forward(dlnet,dlX); dlYPred = softmax(dlYPred); dlloss = crossentropy(dlYPred,dlY); dlgradients = dlgradient(dlloss,dlnet.Learnables); end
Задайте функцию, чтобы отобразить информацию о процессе обучения, которая прибывает от рабочих. DataQueue
в этом примере вызывает эту функцию каждый раз, когда рабочий отправляет данные.
function displayTrainingProgress (data) disp("Epoch: " + data(1) + ", Loss: " + data(2)); end
Задайте функцию, которая агрегировала градиенты на всех рабочих путем добавления их вместе. gplus
добавляет вместе и реплицирует все градиенты в рабочих. Прежде, чем добавить их вместе, нормируйте их путем умножения их на фактор, который представляет пропорцию полного мини-пакета, что рабочий продолжает работать. Получать содержимое dlarray
U
se extractdata
. Передача класса содержимого как второй входной параметр к gplus
убеждается, если данными является gpuArray
, та быстрая коммуникация включена где это возможно.
function gradients = aggregateGradients(dlgradients,factor) gradients = extractdata(dlgradients); gradients = gplus(factor*gradients,class(gradients)); end
dlarray
| dlfeval
| dlgradient
| dlnetwork
| gplus
| gpuArray
| parallel.pool.DataQueue
| parpool
| partition
| read
| spmd