Вычислите нейронную сеть для глубокого обучения выход для вывода
Некоторые слои глубокого обучения ведут себя по-другому во время обучения и заключают (предсказание). 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 предсказания с SeriesNetwork и DAGNetwork объекты, смотрите predict.
[dlY1,...,dlYN] = predict(___) возвращает N выходные параметры dlY1, …, dlYN во время вывода для сетей, которые имеют N выходные параметры с помощью любого из предыдущих синтаксисов.
[dlY1,...,dlYK] = predict(___,'Outputs', возвращает выходные параметры layerNames)dlY1, …, dlYK во время вывода для заданных слоев с помощью любого из предыдущих синтаксисов.
dlnetwork ОбъектВ этом примере показано, как сделать предсказания с помощью dlnetwork объект путем разделения данных в мини-пакеты.
Для больших наборов данных, или при предсказании на оборудовании с ограниченной памятью, делают предсказания путем разделения данных в мини-пакеты. При создании предсказаний 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 предсказания
Загрузите данные о цифрах для предсказания.
digitDatasetPath = fullfile(matlabroot,'toolbox','nnet','nndemos', ... 'nndatasets','DigitDataset'); imds = imageDatastore(digitDatasetPath, ... 'IncludeSubfolders',true);
Сделайте предсказания
Цикл по мини-пакетам тестовых данных и делает предсказания с помощью пользовательского цикла предсказания. 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 предсказания графического процессора преобразуйте в gpuArray объекты.
Сделайте предсказания с помощью predict функция.
Определите метки класса путем нахождения максимальных баллов.
Задайте опции предсказания. Задайте мини-пакетный размер 128 и сделайте предсказания 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 предсказания 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 предсказания.
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