Сеть Series для глубокого обучения
Серийная сеть является нейронной сетью для глубокого обучения для слоев, расположенных один за другим. Это имеет один входной слой и один выходной слой.
Существует несколько способов создать SeriesNetwork объект:
Загрузите использование предварительно обученной сети alexnet, darknet19, vgg16, или vgg19. Для примера смотрите Загрузку Предварительно обученная Сверточная нейронная сеть AlexNet.
Обучите или подстройте сетевое использование trainNetwork. Для примера смотрите, Обучат сеть для Классификации Изображений.
Импортируйте предварительно обученную сеть из TensorFlow™-Keras, Caffe или формата модели ONNX™ (Open Neural Network Exchange).
Для модели Keras использовать importKerasNetwork. Для примера смотрите Импорт и График Сеть Keras.
Для модели Caffe использовать importCaffeNetwork. Для примера смотрите Импорт Сеть Caffe.
Для модели ONNX использовать importONNXNetwork. Для примера смотрите Импорт Сеть ONNX.
Соберите нейронную сеть для глубокого обучения от предварительно обученных слоев с помощью assembleNetwork функция.
Примечание
Узнать о других предварительно обученных сетях, такой как googlenet и resnet50, смотрите Предварительно обученные Глубокие нейронные сети.
activations | Вычислите активации слоя нейронной сети для глубокого обучения |
classify | Классифицируйте данные с помощью обученной глубокой нейронной сети |
predict | Предскажите ответы с помощью обученной глубокой нейронной сети |
predictAndUpdateState | Предскажите ответы с помощью обученной рекуррентной нейронной сети и обновите сетевое состояние |
classifyAndUpdateState | Классифицируйте данные с помощью обученной рекуррентной нейронной сети и обновите сетевое состояние |
resetState | Сбросьте состояние рекуррентной нейронной сети |
plot | Постройте график слоев нейронной сети |
Загрузите предварительно обученную сверточную нейронную сеть AlexNet и исследуйте слои и классы.
Загрузите предварительно обученную сеть AlexNet с помощью alexnet. Выход net SeriesNetwork объект.
net = alexnet
net =
SeriesNetwork with properties:
Layers: [25×1 nnet.cnn.layer.Layer]
Используя Layers свойство, просмотрите сетевую архитектуру. Сеть включает 25 слоев. Существует 8 слоев с learnable весами: 5 сверточных слоев и 3 полносвязных слоя.
net.Layers
ans =
25x1 Layer array with layers:
1 'data' Image Input 227x227x3 images with 'zerocenter' normalization
2 'conv1' Convolution 96 11x11x3 convolutions with stride [4 4] and padding [0 0 0 0]
3 'relu1' ReLU ReLU
4 'norm1' Cross Channel Normalization cross channel normalization with 5 channels per element
5 'pool1' Max Pooling 3x3 max pooling with stride [2 2] and padding [0 0 0 0]
6 'conv2' Grouped Convolution 2 groups of 128 5x5x48 convolutions with stride [1 1] and padding [2 2 2 2]
7 'relu2' ReLU ReLU
8 'norm2' Cross Channel Normalization cross channel normalization with 5 channels per element
9 'pool2' Max Pooling 3x3 max pooling with stride [2 2] and padding [0 0 0 0]
10 'conv3' Convolution 384 3x3x256 convolutions with stride [1 1] and padding [1 1 1 1]
11 'relu3' ReLU ReLU
12 'conv4' Grouped Convolution 2 groups of 192 3x3x192 convolutions with stride [1 1] and padding [1 1 1 1]
13 'relu4' ReLU ReLU
14 'conv5' Grouped Convolution 2 groups of 128 3x3x192 convolutions with stride [1 1] and padding [1 1 1 1]
15 'relu5' ReLU ReLU
16 'pool5' Max Pooling 3x3 max pooling with stride [2 2] and padding [0 0 0 0]
17 'fc6' Fully Connected 4096 fully connected layer
18 'relu6' ReLU ReLU
19 'drop6' Dropout 50% dropout
20 'fc7' Fully Connected 4096 fully connected layer
21 'relu7' ReLU ReLU
22 'drop7' Dropout 50% dropout
23 'fc8' Fully Connected 1000 fully connected layer
24 'prob' Softmax softmax
25 'output' Classification Output crossentropyex with 'tench' and 999 other classes
Можно просмотреть имена классов, изученных сетью путем просмотра Classes свойство классификации вывело слой (последний слой). Просмотрите первые 10 классов путем выбора первых 10 элементов.
net.Layers(end).Classes(1:10)
ans = 10×1 categorical array
tench
goldfish
great white shark
tiger shark
hammerhead
electric ray
stingray
cock
hen
ostrich
Задайте файл в качестве примера 'digitsnet.prototxt' импортировать.
protofile = 'digitsnet.prototxt';
Импортируйте слоя сети.
layers = importCaffeLayers(protofile)
layers =
1x7 Layer array with layers:
1 'testdata' Image Input 28x28x1 images
2 'conv1' Convolution 20 5x5x1 convolutions with stride [1 1] and padding [0 0]
3 'relu1' ReLU ReLU
4 'pool1' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0]
5 'ip1' Fully Connected 10 fully connected layer
6 'loss' Softmax softmax
7 'output' Classification Output crossentropyex with 'class1', 'class2', and 8 other classes
Загрузите данные как ImageDatastore объект.
digitDatasetPath = fullfile(matlabroot,'toolbox','nnet', ... 'nndemos','nndatasets','DigitDataset'); imds = imageDatastore(digitDatasetPath, ... 'IncludeSubfolders',true, ... 'LabelSource','foldernames');
Datastore содержит 10 000 синтетических изображений цифр от 0 до 9. Изображения сгенерированы путем применения случайных преобразований к изображениям цифры, созданным с различными шрифтами. Каждое изображение цифры является 28 28 пикселями. Datastore содержит равное количество изображений на категорию.
Отобразите некоторые изображения в datastore.
figure numImages = 10000; perm = randperm(numImages,20); for i = 1:20 subplot(4,5,i); imshow(imds.Files{perm(i)}); drawnow; end
Разделите datastore так, чтобы каждая категория в наборе обучающих данных имела 750 изображений, и набор тестирования имеет остающиеся изображения от каждой метки.
numTrainingFiles = 750;
[imdsTrain,imdsTest] = splitEachLabel(imds,numTrainingFiles,'randomize');splitEachLabel разделяет файлы изображений в digitData в два новых хранилища данных, imdsTrain и imdsTest.
Задайте 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. Определите максимальный номер эпох в 20 и начните обучение с начальной скорости обучения 0,0001.
options = trainingOptions('sgdm', ... 'MaxEpochs',20,... 'InitialLearnRate',1e-4, ... 'Verbose',false, ... 'Plots','training-progress');
Обучите сеть.
net = trainNetwork(imdsTrain,layers,options);
Запустите обучивший сеть на наборе тестов, который не использовался, чтобы обучить сеть и предсказать метки изображения (цифры).
YPred = classify(net,imdsTest); YTest = imdsTest.Labels;
Вычислите точность. Точность является отношением количества истинных меток в тестовых данных, совпадающих с классификациями от classify к количеству изображений в тестовых данных.
accuracy = sum(YPred == YTest)/numel(YTest)
accuracy = 0.9420
alexnet | analyzeNetwork | assembleNetwork | classify | DAGNetwork | darknet19 | importCaffeNetwork | plot | predict | trainingOptions | trainNetwork | vgg16 | vgg19