exponenta event banner

Предсказать

Прогнозирование ответов с использованием обученной нейронной сети глубокого обучения

  • Библиотека:
  • Набор инструментов для глубокого обучения/глубокие нейронные сети

  • Predict block

Описание

Блок предсказания предсказывает отклики для данных на входе с использованием обученной сети, указанной посредством параметра блока. Этот блок позволяет загружать предварительно обученную сеть в модель Simulink ® из MAT-файла или из функции MATLAB ®.

Примечание

Используйте блок «Прогнозирование» для прогнозирования в Simulink. Для составления прогнозов программным способом с использованием кода MATLAB используйте classify и predict функции.

Порты

Вход

развернуть все

Входные порты блока прогнозирования принимают имена входных уровней загруженной сети. Например, при указании googlenet для MATLAB function, то входной порт блока Predict помечается данными. На основе загруженной сети вводом в блок прогнозирования могут быть данные изображения, последовательности или временных рядов.

Формат входных данных зависит от типа данных.

ДанныеФормат предикторов
2-D изображенияЧисловой массив h-by-w-by-c-by-N, где h, w и c - высота, ширина и количество каналов изображений соответственно, а N - количество изображений.
Векторная последовательностьматрицы c-by-s, где c - число признаков последовательностей, а s - длина последовательности.
2-D последовательности изображениймассивы h-by-w-by-s, где h, w и c соответствуют высоте, ширине и количеству каналов изображений, соответственно, и s - длина последовательности.

Если массив содержит NaNs, затем они распространяются по сети.

Продукция

развернуть все

Выходной порт блока Predict принимает имена выходных уровней загруженной сети. Например, при указании googlenet для MATLAB function, то выходной порт блока Predict помечается как выходной. На основе загруженной сети выходные данные блока прогнозирования могут представлять прогнозируемые оценки или отклики.

Прогнозируемые оценки или отклики, возвращаемые в виде массива N-by-K, где N - количество наблюдений, а K - количество классов.

Если включить Activations для сетевого уровня блок прогнозирования создает новый выходной порт с именем выбранного сетевого уровня. Этот порт выводит активизации с выбранного сетевого уровня.

Активации с сетевого уровня возвращаются в виде числового массива. Формат вывода зависит от типа входных данных и типа вывода слоя.

Для 2-D вывода изображения активация представляет собой массив h-by-w-by-c-by-n, где h, w и c - высота, ширина и количество каналов для вывода выбранного слоя соответственно, а n - количество изображений.

Для одного временного шага, содержащего векторные данные, активации являются матрицей c-by-n, где n - количество последовательностей, а c - количество признаков в последовательности.

Для одного временного шага, содержащего 2-D данные изображения, активации представляют собой массив h-by-w-by-c-by-n, где n - количество последовательностей, h, w и c - высота, ширина и количество каналов изображений соответственно.

Параметры

развернуть все

Укажите источник обученной сети. Выберите один из следующих вариантов:

  • Network from MAT-file- импорт обученной сети из MAT-файла, содержащего SeriesNetwork, DAGNetwork, или dlnetwork объект.

  • Network from MATLAB function- импорт предварительно подготовленной сети из функции MATLAB. Например, с помощью googlenet функция.

Этот параметр определяет имя файла MAT, содержащего обучаемую сеть глубокого обучения для загрузки. Если файл отсутствует в пути MATLAB, используйте кнопку «Обзор» для поиска файла.

Зависимости

Чтобы включить этот параметр, установите для параметра Network значение Network from MAT-file.

Этот параметр определяет имя функции MATLAB для предварительно обученной сети глубокого обучения. Например, использовать googlenet для импорта предварительно подготовленной модели GoogLeNet.

Зависимости

Чтобы включить этот параметр, установите для параметра Network значение Network from MATLAB function.

Размер мини-пакетов, используемых для прогнозирования, задается как положительное целое число. Большие размеры мини-партии требуют больше памяти, но могут привести к более быстрым прогнозам.

Включить выходные порты, возвращающие прогнозируемые оценки или ответы.

С помощью списка «Активации» выберите слой для извлечения элементов. Выбранные слои отображаются как выходной порт блока прогнозирования.

Расширенные возможности

..
Представлен в R2020b