Открытый эксперимент

Во-первых, откройте пример. Experiment Manager загружает проект с предварительно сконфигурированным экспериментом, который можно смотреть и запустить. Чтобы открыть эксперимент, в панели Браузера Эксперимента, дважды кликают имя эксперимента (ImageGenerationExperiment).

Пользовательские учебные эксперименты состоят из описания, таблицы гиперпараметров и учебной функции. Для получения дополнительной информации смотрите, Конфигурируют Пользовательский Учебный Эксперимент.

Поле Description содержит текстовое описание эксперимента. В данном примере описание:

Train a generative adversarial network (GAN) to generate images of flowers.
Use hyperparameters to specify:
- the probability of the dropout layer in the discriminator network
- the fraction of real labels to flip while training the discriminator network

Раздел Hyperparameters задает гиперзначения параметров, чтобы использовать для эксперимента. Когда вы запускаете эксперимент, Experiment Manager обучает сеть с помощью каждой комбинации гиперзначений параметров, заданных в гипертаблице параметров. Этот пример использует два гиперпараметра:

Учебная Функция задает обучающие данные, сетевую архитектуру, опции обучения и метод обучения, используемый экспериментом. Чтобы смотреть учебную функцию, под Учебной Функцией, нажимают Edit. Учебная функция открывается в Редакторе MATLAB®.

Вход к учебной функции является структурой с полями от гипертаблицы параметров и experiments.Monitor возразите, что можно использовать, чтобы отследить прогресс обучения, значения записи метрик, используемых обучением, и произвести учебные графики. Учебная функция возвращает структуру, которая содержит обученную сеть генератора, обученную сеть различителя и среду выполнения, используемую для обучения. Experiment Manager сохраняет этот выход, таким образом, можно экспортировать его в рабочее пространство MATLAB, когда обучение завершено. Учебная функция имеет шесть разделов.

Учебный GANs может быть сложной задачей, потому что генератор и сети различителя конкурируют друг против друга во время обучения. Если одна сеть учится слишком быстро, то другая сеть может не учиться. Чтобы помочь вам диагностировать проблемы и контролировать как хорошо, генератор и различитель достигают их соответствующих целей, этот эксперимент отображает пару баллов в учебном графике. Счет генератора scoreGenerator измеряет вероятность, что различитель может правильно отличить сгенерированные изображения. Счет различителя scoreDiscriminator измеряет вероятность, что различитель может правильно отличить все входные изображения, приняв, что количества действительных и сгенерированных изображений, переданных различителю, равны. В идеальном случае оба баллов 0.5. Баллы, которые слишком близки к нулю или можно указать, что одна сеть доминирует над другим. Смотрите Монитор Процесс обучения GAN и Идентифицируйте Общие Типы отказа.

Чтобы помочь вам решить, какое испытание приводит к лучшим результатам, этот эксперимент комбинирует счет генератора и баллы различителя в одно числовое значение, scoreCombined. Эта метрика использует L-∞ норма, чтобы определить, как близко эти две сети из идеального сценария. Это принимает значение того, если и сетевые баллы равняются 0.5, и нуль, если одни из сетевых баллов равняются нулю или один.

Запустите эксперимент

Когда вы запускаете эксперимент, Experiment Manager обучает сеть, заданную учебной функцией многократно. Каждое испытание использует различную комбинацию гиперзначений параметров. По умолчанию Experiment Manager запускает одно испытание за один раз. Если у вас есть Parallel Computing Toolbox, можно запустить несколько испытаний одновременно. Для лучших результатов, прежде чем вы запустите свой эксперимент, начинают параллельный пул со стольких же рабочих сколько графические процессоры. Для получения дополнительной информации смотрите Использование Experiment Manager, чтобы Обучить нейронные сети параллельно.

Таблица результатов показывает учебную потерю и точность валидации для каждого испытания.

В то время как эксперимент запускается, нажмите Training Plot, чтобы отобразить учебный график и отследить прогресс каждого испытания.

Оцените результаты

Чтобы найти лучший результат для вашего эксперимента, отсортируйте таблицу результатов с помощью объединенного счета.

Испытание с самым высоким объединенным счетом появляется наверху таблицы результатов.

Оцените качество GAN путем генерации и осмотра изображений, произведенных обученным генератором.

generateTestImages(trainingOutput)

Функция создает пакет 25 случайных векторов, чтобы ввести к сети генератора и отображает получившиеся изображения.

Используя объединенный счет, чтобы отсортировать ваши результаты не может идентифицировать лучшее испытание во всех случаях. Для лучших результатов повторите этот процесс для каждого испытания с высоким объединенным счетом, визуально проверяя, что генератор производит множество изображений без многих копий. Если изображения имеют мало разнообразия, и некоторые из них почти идентичны, то ваш генератор, вероятно, затронут коллапсом режима. Для получения дополнительной информации смотрите Коллапс Режима.

Чтобы записать наблюдения о результатах вашего эксперимента, добавьте аннотацию.

Для получения дополнительной информации смотрите сортировку, Фильтр, и Аннотируйте Результаты Эксперимента.

Повторно выполните эксперимент

После того, как вы идентифицируете комбинацию гиперпараметров, которая генерирует лучшие изображения, запустите эксперимент во второй раз, чтобы обучить сеть в течение более длительного промежутка времени.

Закройте эксперимент

В панели Браузера Эксперимента щелкните правой кнопкой по имени проекта и выберите Close Project. Experiment Manager закрывает все эксперименты и результаты, содержавшиеся в проекте.