Загрузите dlnetwork имена объектов и имена классов из файла MAT dlnetDigits.mat.

s = load("dlnetDigits.mat");
dlnet = s.dlnet;
classNames = s.classNames;

Ускорьтесь градиенты модели функционируют modelGradients перечисленный в конце примера.

fun = @modelGradients;
accfun = dlaccelerate(fun);

Очистите любые ранее кэшируемые трассировки от ускоренной функции с помощью clearCache функция.

clearCache(accfun)

Просмотрите свойства ускоренной функции. Поскольку кэш пуст, Occupancy свойство 0.

accfun

accfun = 
  AcceleratedFunction with properties:

          Function: @modelGradients
           Enabled: 1
         CacheSize: 50
           HitRate: 0
         Occupancy: 0
         CheckMode: 'none'
    CheckTolerance: 1.0000e-04

Возвращенный AcceleratedFunction объектно-ориентированная память трассировки базовых вызовов функции и повторных использований кэшируемый результат, когда тот же входной набор повторяется. Чтобы использовать ускоренную функцию в пользовательском учебном цикле, замените вызовы функции градиентов модели с вызовами ускоренной функции. Можно вызвать ускоренную функцию, как вы вызвали бы базовую функцию. Обратите внимание на то, что ускоренная функция не является указателем на функцию.

Выполните ускоренную функцию градиентов модели со случайными данными с помощью dlfeval функция.

X = rand(28,28,1,128,'single');
dlX = dlarray(X,'SSCB');

T = categorical(classNames(randi(10,[128 1])));
T = onehotencode(T,2)';
dlT = dlarray(T,'CB');

[gradients,state,loss] = dlfeval(accfun,dlnet,dlX,dlT);

Просмотрите Occupancy свойство ускоренной функции. Поскольку функция была выполнена, кэш непуст.

accfun.Occupancy

ans = 2

Очистите кэш с помощью clearCache функция.

clearCache(accfun)

Просмотрите Occupancy свойство ускоренной функции. Поскольку кэш был очищен, кэш пуст.

accfun.Occupancy

ans = 0

function [gradients,state,loss] = modelGradients(dlnet,dlX,flT)

[dlYPred,state] = forward(dlnet,dlX);
loss = crossentropy(dlYPred,flT);
gradients = dlgradient(loss,dlnet.Learnables);

end