В Deep Learning Toolbox™ можно определить сетевые архитектуры с несколькими входами (например, сети, обученные на нескольких источниках и типах данных) или с несколькими выходами (например, сети, которые предсказывают как классификацию, так и регрессионные ответы).
Определите сети с несколькими входами, если для сети требуются данные из нескольких источников или в различных форматах. Например, сети, в которых требуются данные изображения, полученные от нескольких датчиков с разным разрешением.
Чтобы определить и обучить сеть глубокого обучения с несколькими входами, укажите архитектуру сети с помощью layerGraph объект и поезд с использованием trainNetwork функция с входными данными хранилища данных.
Чтобы использовать хранилище данных для сетей с несколькими входными уровнями, используйте combine и transform для создания хранилища данных, которое выводит массив ячеек с помощью (numInputs + 1) столбцы, где numInputs - количество сетевых входов. При этом первый numInputs столбцы задают предикторы для каждого ввода, а последний столбец задает отклики. Порядок входных данных задается InputNames свойство графа слоев layers.
Совет
Если сеть также имеет несколько выходов, то необходимо использовать индивидуальный цикл обучения. дополнительные сведения см. в разделе Сети с несколькими выходами.
Чтобы сделать прогнозы в обученной сети глубокого обучения с несколькими входами, используйте либо predict или classify функция. Укажите несколько входов с помощью одного из следующих способов.
combinedDatastore объект
transformedDatastore объект
несколько цифровых массивов
Определение сетей с несколькими выходами для задач, требующих нескольких ответов в различных форматах. Например, задачи, требующие как категориального, так и числового вывода.
Для обучения сети глубокого обучения с несколькими выходами используйте индивидуальный цикл обучения. Пример см. в разделе Сеть поездов с несколькими выходами.
Для прогнозирования с использованием функции модели используйте функцию модели непосредственно с обученными параметрами. Пример см. в разделе Прогнозирование с использованием функции модели.
Можно также преобразовать функцию модели в DAGNetwork с использованием assembleNetwork функция. С помощью собранной сети можно:
Пример см. в разделе Сборка сети с несколькими выходами для прогнозирования.