Вычислить выходные данные сети глубокого обучения для вывода
Некоторые слои глубокого обучения ведут себя по-разному во время обучения и вывода (предсказания). Например, во время обучения отсевающие слои случайным образом устанавливают входные элементы на ноль, чтобы предотвратить переоборудование, но во время вывода отсевающие слои не изменяют входные данные.
Чтобы вычислить сетевые выходы для вывода, используйте predict функция. Для вычисления сетевых выходов для обучения используйте forward функция. Для прогнозирования с помощью SeriesNetwork и DAGNetwork объекты, см. predict.
Совет
Для прогнозирования с помощью SeriesNetwork и DAGNetwork объекты, см. predict.
[dlY1,...,dlYN] = predict(___) возвращает значение N продукция dlY1, …, dlYN во время вывода для сетей, которые N выводит с использованием любого из предыдущих синтаксисов.
[dlY1,...,dlYK] = predict(___,'Outputs', возвращает выходные данные layerNames)dlY1, …, dlYK во время вывода для указанных слоев с использованием любого из предыдущих синтаксисов.
[___] = predict(___,'Acceleration', также указывает оптимизацию производительности для использования при выводе в дополнение к входным аргументам в предыдущих синтаксисах. acceleration)
[___, также возвращает обновленное состояние сети.state] = predict(___)
dlnetwork ОбъектВ этом примере показано, как делать прогнозы с помощью dlnetwork путем разделения данных на мини-пакеты.
Для больших наборов данных или при прогнозировании на оборудовании с ограниченной памятью сделайте прогнозы, разбив данные на мини-пакеты. При составлении прогнозов с помощью SeriesNetwork или DAGNetwork объекты, predict функция автоматически разбивает входные данные на мини-пакеты. Для dlnetwork объекты, необходимо разделить данные на мини-пакеты вручную.
Груз dlnetwork Объект
Загрузка обученного dlnetwork объект и соответствующие классы.
s = load("digitsCustom.mat");
dlnet = s.dlnet;
classes = s.classes;Загрузить данные для прогнозирования
Загрузите данные цифр для прогнозирования.
digitDatasetPath = fullfile(matlabroot,'toolbox','nnet','nndemos', ... 'nndatasets','DigitDataset'); imds = imageDatastore(digitDatasetPath, ... 'IncludeSubfolders',true);
Делать прогнозы
Закольцовывать мини-пакеты тестовых данных и делать прогнозы с использованием пользовательского цикла прогнозирования.
Использовать minibatchqueue для обработки и управления мини-партиями изображений. Укажите размер мини-пакета 128. Задайте для свойства read size хранилища данных образа размер мини-пакета.
Для каждой мини-партии:
Использование пользовательской функции предварительной обработки мини-партии preprocessMiniBatch (определено в конце этого примера) для объединения данных в пакет и нормализации изображений.
Форматирование изображений с размерами 'SSCB' (пространственный, пространственный, канальный, пакетный). По умолчанию minibatchqueue объект преобразует данные в dlarray объекты с базовым типом single.
Сделайте прогнозы на GPU, если они доступны. По умолчанию minibatchqueue объект преобразует выходные данные в gpuArray если графический процессор доступен. Для использования графического процессора требуется Toolbox™ параллельных вычислений и поддерживаемое устройство графического процессора. Сведения о поддерживаемых устройствах см. в разделе Поддержка графического процессора по выпуску (Parallel Computing Toolbox).
miniBatchSize = 128; imds.ReadSize = miniBatchSize; mbq = minibatchqueue(imds,... "MiniBatchSize",miniBatchSize,... "MiniBatchFcn", @preprocessMiniBatch,... "MiniBatchFormat","SSCB");
Закольцовывать мини-пакеты данных и делать прогнозы с помощью predict функция. Используйте onehotdecode для определения меток класса. Сохраните прогнозируемые метки класса.
numObservations = numel(imds.Files); YPred = strings(1,numObservations); predictions = []; % Loop over mini-batches. while hasdata(mbq) % Read mini-batch of data. dlX = next(mbq); % Make predictions using the predict function. dlYPred = predict(dlnet,dlX); % Determine corresponding classes. predBatch = onehotdecode(dlYPred,classes,1); predictions = [predictions predBatch]; end
Визуализируйте некоторые прогнозы.
idx = randperm(numObservations,9); figure for i = 1:9 subplot(3,3,i) I = imread(imds.Files{idx(i)}); label = predictions(idx(i)); imshow(I) title("Label: " + string(label)) end
Функция предварительной обработки мини-партий
preprocessMiniBatch функция выполняет предварительную обработку данных с помощью следующих шагов:
Извлеките данные из входящего массива ячеек и объедините их в числовой массив. При конкатенации над четвертым размером к каждому изображению добавляется третий размер, который будет использоваться в качестве размера одиночного канала.
Нормализация значений пикселов между 0 и 1.
function X = preprocessMiniBatch(data) % Extract image data from cell and concatenate X = cat(4,data{:}); % Normalize the images. X = X/255; end
dlarray | dlfeval | dlgradient | dlnetwork | forward