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

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

Ускорение функции градиентов модели modelGradients в конце примера.

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

Удаление всех ранее кэшированных трассировок ускоренной функции с помощью clearCache функция.

clearCache(accfun)

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

accfun

accfun = 
  AcceleratedFunction with properties:

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

Возвращенный AcceleratedFunction объект сохраняет следы базовых вызовов функций и повторно использует кэшированный результат при повторном возникновении одного и того же шаблона ввода. Чтобы использовать ускоренную функцию в пользовательском цикле обучения, замените вызовы функции градиентов модели вызовами ускоренной функции. Ускоренную функцию можно вызвать так же, как и базовую функцию. Обратите внимание, что ускоренная функция не является дескриптором функции.

Оценка функции ускоренных 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);

Просмотр Occupancy свойство ускоренной функции. Поскольку функция была оценена, кэш является непустым.

accfun.Occupancy

ans = 2

Очистить кэш с помощью clearCache функция.

clearCache(accfun)

Просмотр Occupancy свойство ускоренной функции. Поскольку кэш очищен, он 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