Классифицируйте данные с помощью обученной глубокой нейронной сети
Можно сделать предсказания с помощью обученной нейронной сети для глубокого обучения или на центральном процессоре или на графическом процессоре. Используя графический процессор требует Parallel Computing Toolbox™ и поддерживаемого устройства графического процессора. Для получения информации о поддерживаемых устройствах смотрите Поддержку графического процессора Релизом (Parallel Computing Toolbox). Задайте требования к аппаратным средствам с помощью ExecutionEnvironment
аргумент пары "имя-значение".
Для сетей с несколькими выходными параметрами используйте predict
и набор 'ReturnCategorial'
опция к true
.
предсказывает метки класса с дополнительными опциями, заданными одним или несколькими аргументами пары "имя-значение" с помощью любого из предыдущих синтаксисов.YPred
= classify(___,Name,Value
)
[
также возвращает классификационные оценки, соответствующие меткам класса с помощью любого из предыдущих синтаксисов.YPred
,scores
]
= classify(___)
Совет
При создании предсказаний с последовательностями различных длин мини-пакетный размер может повлиять на объем дополнения добавленного к входным данным, которые могут привести к различным ожидаемым значениям. Попытайтесь использовать различные значения, чтобы видеть, который работает лучше всего с вашей сетью. Чтобы задать мини-пакетный размер и дополнительные опции, используйте 'MiniBatchSize'
и 'SequenceLength'
опции, соответственно.
Загрузите выборочные данные.
[XTrain,YTrain] = digitTrain4DArrayData;
digitTrain4DArrayData
загружает набор обучающих данных цифры как 4-D данные массива. XTrain
28 28 1 5 000 массивов, где 28 высота, и 28 ширина изображений. 1 количество каналов, и 5000 количество синтетических изображений рукописных цифр. YTrain
категориальный вектор, содержащий метки для каждого наблюдения.
Создайте архитектуру сверточной нейронной сети.
layers = [ ... imageInputLayer([28 28 1]) convolution2dLayer(5,20) reluLayer maxPooling2dLayer(2,'Stride',2) fullyConnectedLayer(10) softmaxLayer classificationLayer];
Установите опции на настройки по умолчанию для стохастического градиентного спуска с импульсом.
options = trainingOptions('sgdm');
Обучите сеть.
rng('default')
net = trainNetwork(XTrain,YTrain,layers,options);
Training on single CPU. Initializing input data normalization. |========================================================================================| | Epoch | Iteration | Time Elapsed | Mini-batch | Mini-batch | Base Learning | | | | (hh:mm:ss) | Accuracy | Loss | Rate | |========================================================================================| | 1 | 1 | 00:00:00 | 10.16% | 2.3195 | 0.0100 | | 2 | 50 | 00:00:03 | 50.78% | 1.7102 | 0.0100 | | 3 | 100 | 00:00:06 | 63.28% | 1.1632 | 0.0100 | | 4 | 150 | 00:00:08 | 60.16% | 1.0859 | 0.0100 | | 6 | 200 | 00:00:10 | 68.75% | 0.8997 | 0.0100 | | 7 | 250 | 00:00:13 | 76.56% | 0.7919 | 0.0100 | | 8 | 300 | 00:00:16 | 73.44% | 0.8411 | 0.0100 | | 9 | 350 | 00:00:18 | 81.25% | 0.5512 | 0.0100 | | 11 | 400 | 00:00:20 | 89.84% | 0.4745 | 0.0100 | | 12 | 450 | 00:00:23 | 92.19% | 0.3614 | 0.0100 | | 13 | 500 | 00:00:26 | 94.53% | 0.3160 | 0.0100 | | 15 | 550 | 00:00:28 | 96.09% | 0.2543 | 0.0100 | | 16 | 600 | 00:00:31 | 92.19% | 0.2765 | 0.0100 | | 17 | 650 | 00:00:33 | 95.31% | 0.2460 | 0.0100 | | 18 | 700 | 00:00:35 | 99.22% | 0.1419 | 0.0100 | | 20 | 750 | 00:00:38 | 98.44% | 0.1000 | 0.0100 | | 21 | 800 | 00:00:40 | 98.44% | 0.1449 | 0.0100 | | 22 | 850 | 00:00:43 | 98.44% | 0.0989 | 0.0100 | | 24 | 900 | 00:00:45 | 96.88% | 0.1315 | 0.0100 | | 25 | 950 | 00:00:47 | 100.00% | 0.0859 | 0.0100 | | 26 | 1000 | 00:00:50 | 100.00% | 0.0701 | 0.0100 | | 27 | 1050 | 00:00:53 | 100.00% | 0.0759 | 0.0100 | | 29 | 1100 | 00:00:55 | 99.22% | 0.0663 | 0.0100 | | 30 | 1150 | 00:00:58 | 98.44% | 0.0776 | 0.0100 | | 30 | 1170 | 00:00:59 | 99.22% | 0.0731 | 0.0100 | |========================================================================================|
Запустите обучивший сеть на наборе тестов.
[XTest,YTest]= digitTest4DArrayData; YPred = classify(net,XTest);
Отобразите первые 10 изображений в тестовых данных и сравните с классификацией от classify
.
[YTest(1:10,:) YPred(1:10,:)]
ans = 10x2 categorical
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
Результаты classify
совпадайте с истинными цифрами для первых десяти изображений.
Вычислите точность по всем тестовым данным.
accuracy = sum(YPred == YTest)/numel(YTest)
accuracy = 0.9820
Предварительно обученная сеть Load. JapaneseVowelsNet
предварительно обученная сеть LSTM, обученная на японском наборе данных Vowels как описано в [1] и [2]. Это было обучено на последовательностях, отсортированных по длине последовательности с мини-пакетным размером 27.
load JapaneseVowelsNet
Просмотрите сетевую архитектуру.
net.Layers
ans = 5x1 Layer array with layers: 1 'sequenceinput' Sequence Input Sequence input with 12 dimensions 2 'lstm' LSTM LSTM with 100 hidden units 3 'fc' Fully Connected 9 fully connected layer 4 'softmax' Softmax softmax 5 'classoutput' Classification Output crossentropyex with '1' and 8 other classes
Загрузите тестовые данные.
[XTest,YTest] = japaneseVowelsTestData;
Классифицируйте тестовые данные.
YPred = classify(net,XTest);
Просмотрите метки первых 10 последовательностей с их предсказанными метками.
[YTest(1:10) YPred(1:10)]
ans = 10x2 categorical
1 1
1 1
1 1
1 1
1 1
1 1
1 1
1 1
1 1
1 1
Вычислите точность классификации предсказаний.
accuracy = sum(YPred == YTest)/numel(YTest)
accuracy = 0.8595
Загрузите предварительно обученную сеть TransmissionCasingNet
. Эта сеть классифицирует заболевание зубов механизма системы передачи, учитывая смесь числовых показаний датчика, статистики и категориальных входных параметров.
load TransmissionCasingNet.mat
Просмотрите сетевую архитектуру.
net.Layers
ans = 7x1 Layer array with layers: 1 'input' Feature Input 22 features with 'zscore' normalization 2 'fc_1' Fully Connected 50 fully connected layer 3 'batchnorm' Batch Normalization Batch normalization with 50 channels 4 'relu' ReLU ReLU 5 'fc_2' Fully Connected 2 fully connected layer 6 'softmax' Softmax softmax 7 'classoutput' Classification Output crossentropyex with classes 'No Tooth Fault' and 'Tooth Fault'
Считайте данные о преобразовании регистра передачи из файла CSV "transmissionCasingData.csv"
.
filename = "transmissionCasingData.csv"; tbl = readtable(filename,'TextType','String');
Преобразуйте метки для предсказания к категориальному использованию convertvars
функция.
labelName = "GearToothCondition"; tbl = convertvars(tbl,labelName,'categorical');
Чтобы сделать предсказания, использующие категориальные функции, необходимо сначала преобразовать категориальные функции в числовой. Во-первых, преобразуйте категориальные предикторы в категориальное использование convertvars
функция путем определения массива строк, содержащего имена всех категориальных входных переменных. В этом наборе данных существует две категориальных функции с именами "SensorCondition"
и "ShaftCondition"
.
categoricalInputNames = ["SensorCondition" "ShaftCondition"]; tbl = convertvars(tbl,categoricalInputNames,'categorical');
Цикл по категориальным входным переменным. Для каждой переменной:
Преобразуйте категориальные значения в одногорячие закодированные векторы с помощью onehotencode
функция.
Добавьте одногорячие векторы в таблицу с помощью addvars
функция. Задайте, чтобы вставить векторы после столбца, содержащего соответствующие категориальные данные.
Удалите соответствующий столбец, содержащий категориальные данные.
for i = 1:numel(categoricalInputNames) name = categoricalInputNames(i); oh = onehotencode(tbl(:,name)); tbl = addvars(tbl,oh,'After',name); tbl(:,name) = []; end
Разделите векторы в отдельные столбцы с помощью splitvars
функция.
tbl = splitvars(tbl);
Просмотрите первые несколько строк таблицы.
head(tbl)
ans=8×23 table
SigMean SigMedian SigRMS SigVar SigPeak SigPeak2Peak SigSkewness SigKurtosis SigCrestFactor SigMAD SigRangeCumSum SigCorrDimension SigApproxEntropy SigLyapExponent PeakFreq HighFreqPower EnvPower PeakSpecKurtosis No Sensor Drift Sensor Drift No Shaft Wear Shaft Wear GearToothCondition
________ _________ ______ _______ _______ ____________ ___________ ___________ ______________ _______ ______________ ________________ ________________ _______________ ________ _____________ ________ ________________ _______________ ____________ _____________ __________ __________________
-0.94876 -0.9722 1.3726 0.98387 0.81571 3.6314 -0.041525 2.2666 2.0514 0.8081 28562 1.1429 0.031581 79.931 0 6.75e-06 3.23e-07 162.13 0 1 1 0 No Tooth Fault
-0.97537 -0.98958 1.3937 0.99105 0.81571 3.6314 -0.023777 2.2598 2.0203 0.81017 29418 1.1362 0.037835 70.325 0 5.08e-08 9.16e-08 226.12 0 1 1 0 No Tooth Fault
1.0502 1.0267 1.4449 0.98491 2.8157 3.6314 -0.04162 2.2658 1.9487 0.80853 31710 1.1479 0.031565 125.19 0 6.74e-06 2.85e-07 162.13 0 1 0 1 No Tooth Fault
1.0227 1.0045 1.4288 0.99553 2.8157 3.6314 -0.016356 2.2483 1.9707 0.81324 30984 1.1472 0.032088 112.5 0 4.99e-06 2.4e-07 162.13 0 1 0 1 No Tooth Fault
1.0123 1.0024 1.4202 0.99233 2.8157 3.6314 -0.014701 2.2542 1.9826 0.81156 30661 1.1469 0.03287 108.86 0 3.62e-06 2.28e-07 230.39 0 1 0 1 No Tooth Fault
1.0275 1.0102 1.4338 1.0001 2.8157 3.6314 -0.02659 2.2439 1.9638 0.81589 31102 1.0985 0.033427 64.576 0 2.55e-06 1.65e-07 230.39 0 1 0 1 No Tooth Fault
1.0464 1.0275 1.4477 1.0011 2.8157 3.6314 -0.042849 2.2455 1.9449 0.81595 31665 1.1417 0.034159 98.838 0 1.73e-06 1.55e-07 230.39 0 1 0 1 No Tooth Fault
1.0459 1.0257 1.4402 0.98047 2.8157 3.6314 -0.035405 2.2757 1.955 0.80583 31554 1.1345 0.0353 44.223 0 1.11e-06 1.39e-07 230.39 0 1 0 1 No Tooth Fault
Предскажите метки тестовых данных с помощью обучившего сеть и вычислите точность. Задайте тот же мини-пакетный размер, используемый для обучения.
YPred = classify(net,tbl(:,1:end-1));
Вычислите точность классификации. Точность является пропорцией меток, которые сеть предсказывает правильно.
YTest = tbl{:,labelName}; accuracy = sum(YPred == YTest)/numel(YTest)
accuracy = 0.9952
net
— Обучивший сетьSeriesNetwork
возразите | DAGNetwork
объектОбучивший сеть в виде SeriesNetwork
или DAGNetwork
объект. Можно получить обучивший сеть путем импорта предварительно обученной сети (например, при помощи googlenet
функция) или по образованию ваше собственное сетевое использование trainNetwork
.
imds
ImageDatastoreImageDatastore
объектОтобразите datastore в виде ImageDatastore
объект.
ImageDatastore
позволяет пакетное чтение JPG или упреждающую выборку использования файлов изображений PNG. Если вы используете пользовательскую функцию для чтения изображений, то ImageDatastore
не выбирает с упреждением.
Совет
Использование augmentedImageDatastore
для эффективной предварительной обработки изображений для глубокого обучения включая изменение размеров изображений.
Не используйте readFcn
опция imageDatastore
для предварительной обработки или изменения размеров, когда эта опция обычно значительно медленнее.
ds
datastoreDatastore для данных, которые не помещаются в память, и предварительной обработки. Datastore должен возвратить данные в таблице или массиве ячеек. Формат datastore выход зависит от сетевой архитектуры.
Сетевая архитектура | Datastore Выход | Пример Выход |
---|---|---|
Один вход | Таблица или массив ячеек, где первый столбец задает предикторы. Табличными элементами должны быть скаляры, векторы-строки или массивы ячеек 1 на 1, содержащие числовой массив. Пользовательские хранилища данных должны вывести таблицы. |
data = read(ds) data = 4×1 table Predictors __________________ {224×224×3 double} {224×224×3 double} {224×224×3 double} {224×224×3 double} |
data = read(ds) data = 4×1 cell array {224×224×3 double} {224×224×3 double} {224×224×3 double} {224×224×3 double} | ||
Несколько вход | Массив ячеек, по крайней мере, с Первый Распоряжение входных параметров дано |
data = read(ds) data = 4×2 cell array {224×224×3 double} {128×128×3 double} {224×224×3 double} {128×128×3 double} {224×224×3 double} {128×128×3 double} {224×224×3 double} {128×128×3 double} |
Формат предикторов зависит от типа данных.
Данные | Формат предикторов |
---|---|
2D изображение | h-by-w-by-c числовой массив, где h, w и c являются высотой, шириной и количеством каналов изображения, соответственно. |
3-D изображение | h-by-w-by-d-by-c числовой массив, где h, w, d и c являются высотой, шириной, глубиной и количеством каналов изображения, соответственно. |
Векторная последовательность | c-by-s матрица, где c является количеством функций последовательности и s, является длиной последовательности. |
2D последовательность изображений | h-by-w-by-c-by-s массив, где h, w и c соответствуют высоте, ширине, и количеству каналов изображения, соответственно, и s, является длиной последовательности. Каждая последовательность в мини-пакете должна иметь ту же длину последовательности. |
3-D последовательность изображений | h-by-w-by-d-by-c-by-s массив, где h, w, d и c соответствуют высоте, ширине, глубине, и количеству каналов изображения, соответственно, и s, является длиной последовательности. Каждая последовательность в мини-пакете должна иметь ту же длину последовательности. |
Функции | c-by-1 вектор-столбец, где c является количеством функций. |
Для получения дополнительной информации смотрите Хранилища данных для Глубокого обучения.
X
— Отобразите или покажите данныеОтобразите или покажите данные в виде числового массива. Размер массива зависит от типа входа:
Входной параметр | Описание |
---|---|
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. |
3-D изображения | h-by-w-by-d-by-c-by-N числовой массив, где h, w, d и c являются высотой, шириной, глубиной, и количеством каналов изображений, соответственно, и N, является количеством изображений. |
Функции | N-by-numFeatures числовой массив, где N является количеством наблюдений и numFeatures количество функций входных данных. |
Если массив содержит NaN
s, затем они распространены через сеть.
Для сетей с несколькими входными параметрами можно задать несколько массивов X1
, …, XN
, где N
количество сетевых входных параметров и входа Xi
соответствует сетевому входу net.InputNames(i)
.
sequences
— Последовательность или данные временных рядовПоследовательность или данные временных рядов в виде N-by-1 массив ячеек числовых массивов, где N является количеством наблюдений, числовой массив, представляющий одну последовательность или datastore.
Для входа массива ячеек или числового массива размерности числовых массивов, содержащих последовательности, зависят от типа данных.
Входной параметр | Описание |
---|---|
Векторные последовательности | 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. |
3-D последовательности изображений | h-by-w-by-d-by-c-by-s, где h, w, d и c соответствуют высоте, ширине, глубине, и количеству каналов 3-D изображений, соответственно, и s, является длиной последовательности. |
Для входа datastore datastore должен возвратить данные как массив ячеек последовательностей или таблицы, первый столбец которой содержит последовательности. Размерности данных о последовательности должны соответствовать приведенной выше таблице.
tbl
— Таблица изображения или данных о функцииtable
Таблица изображения или данных о функции. Каждая строка в таблице соответствует наблюдению.
Расположение предикторов в столбцах таблицы зависит от типа входных данных.
Входной параметр | Предикторы |
---|---|
Данные изображения |
Задайте предикторы в отдельном столбце. |
Покажите данные | Числовой скаляр. Задайте предикторы в первом |
Этот аргумент поддерживает сети с одним входом только.
Типы данных: table
'MiniBatchSize','256'
задает мини-пакетный размер как 256.Задайте дополнительную разделенную запятой пару Name,Value
аргумент. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в одинарных кавычках (' '
).
'MiniBatchSize'
— Размер мини-пакетовРазмер 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.
При создании предсказаний с последовательностями различных длин мини-пакетный размер может повлиять на объем дополнения добавленного к входным данным, которые могут привести к различным ожидаемым значениям. Попытайтесь использовать различные значения, чтобы видеть, который работает лучше всего с вашей сетью. Чтобы задать мини-пакетный размер и дополнительные опции, используйте 'MiniBatchSize'
и 'SequenceLength'
опции, соответственно.
Пример: 'MiniBatchSize',256
'Acceleration'
— Оптимизация эффективности'auto'
(значение по умолчанию) | 'mex'
| 'none'
Оптимизация эффективности в виде разделенной запятой пары, состоящей из 'Acceleration'
и одно из следующего:
'auto'
— Автоматически примените много оптимизации, подходящей для входной сети и аппаратных ресурсов.
'mex'
— Скомпилируйте и выполните MEX-функцию. Эта опция доступна при использовании графического процессора только. Используя графический процессор требует Parallel Computing Toolbox и поддерживаемого устройства графического процессора. Для получения информации о поддерживаемых устройствах смотрите Поддержку графического процессора Релизом (Parallel Computing Toolbox). Если Parallel Computing Toolbox или подходящий графический процессор не доступны, то программное обеспечение возвращает ошибку.
'none'
— Отключите все ускорение.
Опцией по умолчанию является 'auto'
. Если 'auto'
задан, MATLAB® применит много совместимой оптимизации. Если вы используете 'auto'
опция, MATLAB никогда не генерирует MEX-функцию.
Используя 'Acceleration'
опции 'auto'
и 'mex'
может предложить выигрыши в производительности, но за счет увеличенного начального времени выполнения. Последующие вызовы совместимыми параметрами быстрее. Используйте оптимизацию эффективности, когда вы запланируете вызвать функцию многократно с помощью новых входных данных.
'mex'
опция генерирует и выполняет MEX-функцию на основе сети и параметров, используемых в вызове функции. У вас может быть несколько MEX-функций, сопоставленных с одной сетью одновременно. Очищение сетевой переменной также очищает любые MEX-функции, сопоставленные с той сетью.
'mex'
опция только доступна, когда вы используете графический процессор. Необходимо было установить компилятор C/C++ и Интерфейс GPU Coder™ для пакета поддержки Библиотек Глубокого обучения. Установите пакет поддержки с помощью Add-On Explorer в MATLAB. Для инструкций по настройке смотрите Setup MEX (GPU Coder). GPU Coder не требуется.
'mex'
опция не поддерживает все слои. Для списка поддерживаемых слоев смотрите Поддерживаемые Слои (GPU Coder). Рекуррентные нейронные сети (RNNs), содержащий sequenceInputLayer
не поддерживаются.
'mex'
опция не поддерживает сети с несколькими входными слоями или несколькими выходными слоями.
Вы не можете использовать MATLAB Compiler™, чтобы развернуть вашу сеть при использовании 'mex'
опция.
Пример: 'Acceleration','mex'
'ExecutionEnvironment'
— Аппаратный ресурс'auto'
(значение по умолчанию) | 'gpu'
| 'cpu'
Аппаратный ресурс в виде разделенной запятой пары, состоящей из 'ExecutionEnvironment'
и одно из следующего:
'auto'
— Используйте графический процессор, если вы доступны; в противном случае используйте центральный процессор.
'gpu'
— Используйте графический процессор. Используя графический процессор требует Parallel Computing Toolbox и поддерживаемого устройства графического процессора. Для получения информации о поддерживаемых устройствах смотрите Поддержку графического процессора Релизом (Parallel Computing Toolbox). Если Parallel Computing Toolbox или подходящий графический процессор не доступны, то программное обеспечение возвращает ошибку.
'cpu'
— Используйте центральный процессор.
Пример: 'ExecutionEnvironment','cpu'
'SequenceLength'
— Опция, чтобы заполнить, обрежьте или разделите входные последовательности'longest'
(значение по умолчанию) | 'shortest'
| положительное целое числоОпция, чтобы заполнить, обрежьте или разделите входные последовательности в виде одного из следующего:
'longest'
— Заполните последовательности в каждом мини-пакете, чтобы иметь ту же длину как самая длинная последовательность. Эта опция не отбрасывает данных, хотя дополнение может ввести шум сети.
'shortest'
— Усеченные последовательности в каждом мини-пакете, чтобы иметь ту же длину как самая короткая последовательность. Эта опция гарантирует, что никакое дополнение не добавляется, за счет отбрасывания данных.
Положительное целое число — Для каждого мини-пакета, заполните последовательности к самому близкому кратному заданная длина, которая больше самой долгой длины последовательности в мини-пакете, и затем разделяет последовательности в меньшие последовательности заданной длины. Если разделение происходит, то программное обеспечение создает дополнительные мини-пакеты. Используйте эту опцию, если полные последовательности не умещаются в памяти. В качестве альтернативы попытайтесь сократить количество последовательностей на мини-пакет путем установки 'MiniBatchSize'
опция к нижнему значению.
Чтобы узнать больше об эффекте дополнения, усечение и разделение входных последовательностей, видят, что Последовательность Дополняет, Усечение, и Разделяет.
Пример: 'SequenceLength','shortest'
'SequencePaddingDirection'
— Направление дополнения или усечения'right'
(значение по умолчанию) | 'left'
Направление дополнения или усечения в виде одного из следующего:
'right'
— Заполните или обрежьте последовательности справа. Последовательности запускают одновременно шаг, и программное обеспечение обрезает или добавляет дополнение в конец последовательностей.
'left'
— Заполните или обрежьте последовательности слева. Программное обеспечение обрезает или добавляет дополнение в запуск последовательностей так, чтобы конец последовательностей одновременно продвинулся.
Поскольку слои LSTM обрабатывают данные о последовательности один временной шаг за один раз, когда слой OutputMode
свойством является 'last'
, любое дополнение в итоговых временных шагах может негативно влиять на слой выход. Чтобы заполнить или обрезать данные о последовательности слева, установите 'SequencePaddingDirection'
опция к 'left'
.
Для сетей от последовательности к последовательности (когда OutputMode
свойством является 'sequence'
для каждого слоя LSTM), любой дополняющий в первых временных шагах может негативно влиять на предсказания для более ранних временных шагов. Чтобы заполнить или обрезать данные о последовательности справа, установите 'SequencePaddingDirection'
опция к 'right'
.
Чтобы узнать больше об эффекте дополнения, усечение и разделение входных последовательностей, видят, что Последовательность Дополняет, Усечение, и Разделяет.
'SequencePaddingValue'
— Значение, чтобы заполнить входные последовательностиЗначение, которым можно заполнить входные последовательности в виде скаляра. Опция допустима только когда SequenceLength
'longest'
или положительное целое число. Не заполняйте последовательности NaN
, потому что выполнение так может распространить ошибки в сети.
Пример: 'SequencePaddingValue',-1
YPred
— Предсказанные метки классаПредсказанные метки класса, возвращенные как категориальный вектор или массив ячеек категориальных векторов. Формат YPred
зависит от типа задачи.
Следующая таблица описывает формат для задач классификации.
Задача | Формат |
---|---|
Отобразите или покажите классификацию | N-by-1 категориальный вектор из меток, где N является количеством наблюдений. |
Классификация последовательностей к метке | |
Классификация от последовательности к последовательности | N-by-1 массив ячеек категориальных последовательностей меток, где N является количеством наблюдений. Каждая последовательность имеет то же количество временных шагов как соответствующая входная последовательность после применения Для задач классификации от последовательности к последовательности с одним наблюдением, |
scores
— Предсказанные баллы классаПредсказанные баллы или ответы, возвращенные как матрица или массив ячеек матриц. Формат scores
зависит от типа задачи.
Следующая таблица описывает формат scores
.
Задача | Формат |
---|---|
Отобразите классификацию | N-by-K матрица, где N является количеством наблюдений и K, является количеством классов |
Классификация последовательностей к метке | |
Покажите классификацию | |
Классификация от последовательности к последовательности | N-by-1 массив ячеек матриц, где N является количеством наблюдений. Последовательности являются матрицами со строками K, где K является количеством классов. Каждая последовательность имеет то же количество временных шагов как соответствующая входная последовательность после применения |
Для задач классификации от последовательности к последовательности с одним наблюдением, sequences
может быть матрица. В этом случае, scores
матрица предсказанных баллов класса.
Для примера, исследуя классификационные оценки, смотрите, Классифицируют Изображения Веб-камеры Используя Глубокое обучение.
Когда вы обучаете сеть с помощью trainNetwork
функция, или когда вы используете предсказание или функции валидации с DAGNetwork
и SeriesNetwork
объекты, программное обеспечение выполняет эти расчеты с помощью арифметики с плавающей точкой, с одинарной точностью. Функции для обучения, предсказания и валидации включают trainNetwork
, predict
, classify
, и activations
. Программное обеспечение использует арифметику с одинарной точностью, когда вы обучаете нейронные сети с помощью и центральных процессоров и графических процессоров.
Для сетей с несколькими выходными параметрами используйте predict
и набор 'ReturnCategorial'
опция к true
.
Можно вычислить предсказанные баллы из обучившего сеть использования predict
.
Можно также вычислить активации из использования слоя сети activations
.
Для последовательности к метке и сетей классификации от последовательности к последовательности, можно сделать предсказания и обновить сетевое использование состояния classifyAndUpdateState
и predictAndUpdateState
.
[1] М. Кудо, J. Тояма, и М. Шимбо. "Многомерная Классификация Кривых Используя Прохождение через области". Буквы Распознавания образов. Издание 20, № 11-13, страницы 1103-1111.
[2] Репозиторий Машинного обучения UCI: японский Набор данных Гласных. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels
Указания и ограничения по применению:
Генерация кода С++ поддерживает следующие синтаксисы:
[YPred,scores] = classify(net,X)
[YPred,scores] = classify(net,sequences)
[YPred,scores] = classify(__,Name,Value)
Генерация кода С++ для classify
функция не поддерживается для сетей регрессии и сетей с несколькими выходными параметрами.
Для векторных входных параметров последовательности количество функций должно быть константой во время генерации кода. Длина последовательности может быть переменная измеренный.
Для входных параметров последовательности изображений высота, ширина и количество каналов должны быть константой во время генерации кода.
Только 'MiniBatchSize'
, 'SequenceLength'
, 'SequencePaddingDirection'
, и 'SequencePaddingValue'
аргументы пары "имя-значение" поддерживаются для генерации кода. Все пары "имя-значение" должны быть константами времени компиляции.
Только 'longest'
и 'shortest'
опция 'SequenceLength'
пара "имя-значение" поддерживается для генерации кода.
Если вы используете версию 8.2 компилятора C/C++ GCC или выше, вы можете получить -Wstringop-overflow
предупреждение.
Генерация кода для цели Intel® MKL-DNN не поддерживает комбинацию 'SequenceLength','longest'
, 'SequencePaddingDirection','left'
, и 'SequencePaddingValue',0
аргументы значения имени.
Указания и ограничения по применению:
Генерация кода графического процессора поддерживает следующие синтаксисы:
[YPred,scores] = classify(net,X)
[YPred,scores] = classify(net,sequences)
[YPred,scores] = classify(__,Name,Value)
Генерация кода графического процессора для classify
функция не поддерживается для сетей регрессии и сетей с несколькими выходными параметрами.
Генерация кода графического процессора не поддерживает gpuArray
входные параметры к classify
функция.
cuDNN библиотека поддерживает векторные и 2D последовательности изображений. Библиотека TensorRT поддерживает только векторные входные последовательности. ARM®
Compute Library
поскольку графический процессор не поддерживает текущие сети.
Для векторных входных параметров последовательности количество функций должно быть константой во время генерации кода. Длина последовательности может быть переменная измеренный.
Для входных параметров последовательности изображений высота, ширина и количество каналов должны быть константой во время генерации кода.
Только 'MiniBatchSize'
, 'SequenceLength'
, 'SequencePaddingDirection'
, и 'SequencePaddingValue'
аргументы пары "имя-значение" поддерживаются для генерации кода. Все пары "имя-значение" должны быть константами времени компиляции.
Только 'longest'
и 'shortest'
опция 'SequenceLength'
пара "имя-значение" поддерживается для генерации кода.
Генерация кода графического процессора для classify
функционируйте входные параметры поддержек, которые заданы как типы данных с плавающей запятой полуточности. Для получения дополнительной информации смотрите half
(GPU Coder).
Если вы используете версию 8.2 компилятора C/C++ GCC или выше, вы можете получить -Wstringop-overflow
предупреждение.
Когда входными данными является gpuArray
, массив ячеек или таблица, содержащая gpuArray
данные или datastore, который возвращает gpuArray
данные, "ExecutionEnvironment"
опцией должен быть "auto"
или "gpu"
.
Для получения дополнительной информации смотрите функции MATLAB Запуска на графическом процессоре (Parallel Computing Toolbox).
activations
| classifyAndUpdateState
| predict
| predictAndUpdateState
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.