Здесь вход x и целевые показатели t определите простую функцию, которую можно выводить на график:

x = [0 1 2 3 4 5 6 7 8];
t = [0 0.84 0.91 0.14 -0.77 -0.96 -0.28 0.66 0.99];
plot(x,t,'o')

Здесь feedforwardnet создает двухуровневую сеть прямой передачи. Сеть имеет один скрытый слой с десятью нейронами.

net = feedforwardnet(10);
net = configure(net,x,t);
y1 = net(x)
plot(x,t,'o',x,y1,'x')

Сеть обучается, а затем изменяется размер.

net = train(net,x,t);
y2 = net(x)
plot(x,t,'o',x,y1,'x',x,y2,'*')

Этот пример обучает нелинейную авторегрессионную сеть с разомкнутым контуром с внешним входом моделировать левитированную магнитную систему, определяемую током управления. x и отклик магнита на вертикальное положение t, затем моделирует сеть. Функция preparets подготавливает данные перед обучением и моделированием. Он создает объединенные входы сети с разомкнутым контуром xo, который содержит оба внешних входа x и предыдущие значения положения t. Он также подготавливает состояния задержки xi.

[x,t] = maglev_dataset;
net = narxnet(10);
[xo,xi,~,to] = preparets(net,x,{},t);
net = train(net,xo,to,xi);
y = net(xo,xi)

Эта же система также может быть смоделирована в замкнутой форме.

netc = closeloop(net);
view(netc)
[xc,xi,ai,tc] = preparets(netc,x,{},t);
yc = netc(xc,xi,ai);

Parallel Computing Toolbox™ позволяет Toolbox™ Deep Learning моделировать и обучать сети быстрее и на больших наборах данных, чем на одном компьютере. Параллельное обучение в настоящее время поддерживается только для подготовки по вопросам распространения, а не для самоорганизующихся карт.

Здесь обучение и моделирование происходит для параллельных работников MATLAB.

parpool
[X,T] = vinyl_dataset;
net = feedforwardnet(10);
net = train(net,X,T,'useParallel','yes','showResources','yes');
Y = net(X);

Используйте составные значения для распределения данных вручную и получения результатов как составного значения. Если данные загружаются по мере их распределения, то в то время как каждый элемент набора данных должен помещаться в ОЗУ, весь набор данных ограничивается только общим объемом ОЗУ всех работников.

[X,T] = vinyl_dataset;
Q = size(X,2);
Xc = Composite;
Tc = Composite;
numWorkers = numel(Xc);
ind = [0 ceil((1:numWorkers)*(Q/numWorkers))];
for i=1:numWorkers
    indi = (ind(i)+1):ind(i+1);
    Xc{i} = X(:,indi);
    Tc{i} = T(:,indi);
end
net = feedforwardnet;
net = configure(net,X,T);
net = train(net,Xc,Tc);
Yc = net(Xc);

Обратите внимание, что в приведенном выше примере настройка функции использовалась для установки размеров и параметров обработки входов сети. Обычно это происходит автоматически при вызове поезда, но при предоставлении составных данных этот шаг должен быть выполнен вручную с данными, не являющимися составными.

Сети можно обучить с помощью текущего графического процессора, если он поддерживается Parallel Computing Toolbox. Обучение GPU в настоящее время поддерживается только для обучения backpropagation, а не для самоорганизующихся карт.

[X,T] = vinyl_dataset;
net = feedforwardnet(10);
net = train(net,X,T,'useGPU','yes');
y = net(X); 

Чтобы поместить данные на графический процессор вручную, выполните следующие действия.

[X,T] = vinyl_dataset;
Xgpu = gpuArray(X);
Tgpu = gpuArray(T);
net = configure(net,X,T);
net = train(net,Xgpu,Tgpu);
Ygpu = net(Xgpu);
Y = gather(Ygpu); 

Обратите внимание, что в приведенном выше примере настройка функции использовалась для установки размеров и параметров обработки входов сети. Обычно это происходит автоматически при вызове поезда, но при предоставлении данных gpuArray этот шаг должен быть выполнен вручную с данными, отличными от gpuArray.

Для параллельной работы с рабочими, каждый из которых назначен другому уникальному графическому процессору, с дополнительными рабочими, работающими на CPU:

net = train(net,X,T,'useParallel','yes','useGPU','yes');
y = net(X);

Использование только работников с уникальными графическими процессорами может привести к более высокой скорости, так как работники ЦП могут не успевать.

net = train(net,X,T,'useParallel','yes','useGPU','only');
Y = net(X);

Здесь сеть обучается с контрольными точками, сохраняемыми со скоростью не более одного раза в две минуты.

[x,t] = vinyl_dataset;
net = fitnet([60 30]);
net = train(net,x,t,'CheckpointFile','MyCheckpoint','CheckpointDelay',120);

После сбоя компьютера новейшая сеть может быть восстановлена и использована для продолжения обучения с точки отказа. Файл контрольной точки включает структурную переменную checkpoint, который включает в себя сеть, запись обучения, имя файла, время и номер.

[x,t] = vinyl_dataset;
load MyCheckpoint
net = checkpoint.net;
net = train(net,x,t,'CheckpointFile','MyCheckpoint');

Другое использование функции контрольной точки - остановка параллельного сеанса обучения (начинается с 'UseParallel' параметр), даже если инструмент обучения нейронной сети недоступен во время параллельного обучения. В этом случае установите 'CheckpointFile', используйте Ctrl + C, чтобы прекратить обучение в любое время, а затем загрузите файл контрольной точки, чтобы получить сетевую и учебную запись.