Predict
Предскажите ответы с помощью обученной глубокой нейронной сети
- Библиотека:
Deep Learning Toolbox / Глубокие нейронные сети
Описание
Блок Predict предсказывает ответы для данных во входе при помощи обучившего сеть, заданного через параметры блоков. Этот блок позволяет загружать предварительно обученной сети в модель Simulink® из MAT-файла или из функции MATLAB®.
Порты
Входной параметр
input — Изображение или последовательность или данные временных рядов
числовой массив
Входные порты блока Predict берут имена входных слоев загруженной сети. Например, если вы задаете googlenet для MATLAB function, затем входной порт блока Predict помечен data. На основе загруженной сети вход с предсказать блоком может быть изображением, последовательностью или данными временных рядов.
Формат входа зависит от типа данных.
| Данные | Формат предикторов |
|---|---|
| 2D изображения | h-by-w-by-c-by-N числовой массив, где h, w и c являются высотой, шириной, и количеством каналов изображений, соответственно, и N, является количеством изображений. |
| Векторная последовательность | c-by-s матрицы, где c является количеством функций последовательностей и s, является длиной последовательности. |
| 2D последовательности изображений | h-by-w-by-c-by-s массивы, где h, w и c соответствуют высоте, ширине, и количеству каналов изображений, соответственно, и s, является длиной последовательности. |
Если массив содержит NaNs, затем они распространены через сеть.
Вывод
output — Предсказанные баллы, ответы или активации
числовой массив
Выходной порт блока Predict берет имена выходных слоев загруженной сети. Например, если вы задаете googlenet для MATLAB function, затем выходной порт блока Predict помечен output. На основе загруженной сети выход блока Predict может представлять предсказанные баллы или ответы.
Предсказанные баллы или ответы, возвращенные как N-by-K массив, где N является количеством наблюдений и K, являются количеством классов.
Если вы включаете Activations для слоя сети блок Predict создает новый выходной порт с именем выбранного слоя сети. Это выходы порта активации от выбранного слоя сети.
Активации от слоя сети возвращены как числовой массив. Формат выхода зависит от типа входных данных и типа слоя выход.
Для 2D изображения выход активациями является h-by-w-by-c-by-n массив, где h, w и c являются высотой, шириной и количеством каналов для выхода выбранного слоя, соответственно, и n является количеством изображений.
В течение одного такта, содержащего векторные данные, активациями является c-by-n матрица, где n является количеством последовательностей, и c является количеством функций в последовательности.
В течение одного такта, содержащего 2D данные изображения, активациями является h-by-w-by-c-by-n массив, где n является количеством последовательностей, h, w, и c является высотой, шириной и количеством каналов изображений, соответственно.
Параметры
Network — Источник для обучившего сеть
Network from MAT-file (значение по умолчанию) | Network from MATLAB function | squeezenet
Задайте источник для обучившего сеть. Выберите одно из следующего:
Network from MAT-file— Импортируйте обучивший сеть из MAT-файла, содержащегоSeriesNetwork,DAGNetwork, илиdlnetworkобъект.Network from MATLAB function— Импортируйте предварительно обученную сеть из функции MATLAB. Например, при помощиgooglenetфункция.
File path — MAT-файл, содержащий, обучил сеть
untitled.mat (значение по умолчанию) | имя MAT-файла
Этот параметр задает имя MAT-файла, который содержит обученную нейронную сеть для глубокого обучения, чтобы загрузить. Если файл не находится на пути MATLAB, используйте кнопку Browse, чтобы определить местоположение файла.
Зависимости
Чтобы включить этот параметр, установите параметр Network на Network from MAT-file.
MATLAB function — Имя функции MATLAB
squeezenet (значение по умолчанию) | имя функции MATLAB
Этот параметр задает имя функции MATLAB для предварительно обученной нейронной сети для глубокого обучения. Например, использовать googlenet функционируйте, чтобы импортировать предварительно обученную модель GoogLeNet.
Зависимости
Чтобы включить этот параметр, установите параметр Network на Network from MATLAB function.
Mini-batch size — Размер мини-пакетов
128 (значений по умолчанию) | положительное целое число
Размер мини-пакетов, чтобы использовать для предсказания в виде положительного целого числа. Большие мини-пакетные размеры требуют большей памяти, но могут привести к более быстрым предсказаниям.
Predictions — Выведите предсказанные баллы или ответы
от (значения по умолчанию) | на
Включите выходные порты, которые возвращают предсказанные баллы или ответы.
Activations — Выведите сетевые активации для определенного слоя
Layers of the network
Используйте список Activations, чтобы выбрать слой, чтобы извлечь функции из. Выделенные слои появляются как выходной порт блока Predict.
Расширенные возможности
Генерация кода C/C++
Генерация кода C и C++ с помощью Simulink® Coder™.
Указания и ограничения по применению:
Параметр Language в Configuration Parameters> Code Generation общая категория должен быть установлен на
C++.Для основанных на ERT целей параметра Support: variable-size signals в Code Generation> должна быть включена панель Interface.
Для списка сетей и слоев, поддержанных для генерации кода, смотрите Сети и Слои, Поддержанные для Генерации кода (MATLAB Coder).
Генерация кода графического процессора
Сгенерируйте код CUDA® для NVIDIA® графические процессоры с помощью GPU Coder™.
Указания и ограничения по применению:
Параметр Language в Configuration Parameters> Code Generation общая категория должен быть установлен на
C++.Для списка сетей и слоев, поддержанных для генерации кода CUDA®, смотрите Поддерживаемые Сети, Слои и Классы (GPU Coder).
Чтобы узнать больше о генерации кода для моделей Simulink, содержащих блок Predict, смотрите Генерацию кода для Глубокого обучения Модель Simulink, которая Выполняет Обнаружение Маршрута и Транспортного средства (GPU Coder).