Сборка сети с несколькими выходами для прогнозирования

В этом примере показано, как собрать несколько выходных сетей для прогнозирования.

Вместо использования dlnetwork объект для прогнозирования, можно собрать сеть в DAGNetwork готов к прогнозированию с использованием assembleNetwork функция. Это позволяет использовать predict с другими типами данных, такими как хранилища данных.

Загрузка функции и параметров модели

Загрузка параметров модели из файла MAT dlnetDigits.mat. Файл MAT содержит dlnetwork объект, который предсказывает как оценки для категориальных меток и числовых углов поворота изображений цифр, так и соответствующие имена классов.

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

Сборка сети для прогнозирования

Извлеките график слоев из dlnetwork с использованием layerGraph функция.

lgraph = layerGraph(dlnet);

График слоев не включает выходные слои. Добавление классификационного слоя и регрессионного слоя к графу слоев с помощью addLayers и connectLayers функции.

layers = classificationLayer('Classes',classNames,'Name','coutput');
lgraph = addLayers(lgraph,layers);
lgraph = connectLayers(lgraph,'softmax','coutput');

layers = regressionLayer('Name','routput');
lgraph = addLayers(lgraph,layers);
lgraph = connectLayers(lgraph,'fc2','routput');

Просмотр графика сети.

figure
plot(lgraph)

Figure contains an axes. The axes contains an object of type graphplot.

Соберите сеть с помощью assembleNetwork функция.

net = assembleNetwork(lgraph)

net = 
  DAGNetwork with properties:

         Layers: [19x1 nnet.cnn.layer.Layer]
    Connections: [19x2 table]
     InputNames: {'in'}
    OutputNames: {'coutput'  'routput'}

Делать прогнозы по новым данным

Загрузите данные теста.

[XTest,Y1Test,Y2Test] = digitTest4DArrayData;

Чтобы сделать прогнозы с использованием собранной сети, используйте predict функция. Чтобы вернуть категориальные метки для выходных данных классификации, установите значение 'ReturnCategorical' опция для true.

[Y1Pred,Y2Pred] = predict(net,XTest,'ReturnCategorical',true);

Оцените точность классификации.

accuracy = mean(Y1Pred==Y1Test)

accuracy = 0.9870

Оцените точность регрессии.

angleRMSE = sqrt(mean((Y2Pred - Y2Test).^2))

angleRMSE = single
    6.0091

Просмотрите некоторые изображения с их прогнозами. Отобразите прогнозируемые углы красным цветом, а правильные метки - зеленым.

idx = randperm(size(XTest,4),9);
figure
for i = 1:9
    subplot(3,3,i)
    I = XTest(:,:,:,idx(i));
    imshow(I)
    hold on
    
    sz = size(I,1);
    offset = sz/2;
    
    thetaPred = Y2Pred(idx(i));
    plot(offset*[1-tand(thetaPred) 1+tand(thetaPred)],[sz 0],'r--')
    
    thetaValidation = Y2Test(idx(i));
    plot(offset*[1-tand(thetaValidation) 1+tand(thetaValidation)],[sz 0],'g--')
    
    hold off
    label = string(Y1Pred(idx(i)));
    title("Label: " + label)
end

См. также

Документация

Сборка сети с несколькими выходами для прогнозирования

Загрузка функции и параметров модели

Сборка сети для прогнозирования

Делать прогнозы по новым данным

См. также

Связанные темы

Документация по инструментам для глубокого обучения

Поддержка