Этот пример показывает, как создать и обучить простую сверточную нейронную сеть для классификации глубокого обучения. Сверточные нейронные сети являются особыми инструментами для глубокого обучения и особенно подходят для распознавания изображений.
Пример демонстрирует, как:
Загрузите данные изображения.
Определите сетевую архитектуру.
Задайте опции обучения.
Обучите сеть.
Спрогнозируйте метки новых данных и вычислите точность классификации.
Пример, показывающий интерактивное создание и обучение простой сети классификации изображений, см. в разделе Создание простой сети классификации изображений с использованием Deep Network Designer.
Загрузите цифру выборочных данных как изображение datastore. The imageDatastore функция автоматически помечает изображения на основе имен папок.
digitDatasetPath = fullfile(matlabroot,'toolbox','nnet','nndemos', ... 'nndatasets','DigitDataset'); imds = imageDatastore(digitDatasetPath, ... 'IncludeSubfolders',true, ... 'LabelSource','foldernames');
Разделите данные на наборы данных для обучения и валидации, так чтобы каждая категория в наборе обучающих данных содержала 750 изображений, а набор для валидации содержал оставшиеся изображения из каждой метки. splitEachLabel разделяет image datastore на два новых хранилища данных для обучения и валидации.
numTrainFiles = 750;
[imdsTrain,imdsValidation] = splitEachLabel(imds,numTrainFiles,'randomize');Определите архитектуру сверточной нейронной сети. Задайте размер изображений в вход слое сети и количество классов в полносвязный слой перед слоем классификации. Каждое изображение составляет 28 на 28 на 1 пиксель и есть 10 классов.
inputSize = [28 28 1];
numClasses = 10;
layers = [
imageInputLayer(inputSize)
convolution2dLayer(5,20)
batchNormalizationLayer
reluLayer
fullyConnectedLayer(numClasses)
softmaxLayer
classificationLayer];Для получения дополнительной информации о слоях глубокого обучения смотрите Список слоев глубокого обучения.
Укажите опции обучения и обучите сеть.
По умолчанию trainNetwork использует графический процессор, если он доступен, в противном случае используется центральный процессор. Для обучения на графическом процессоре требуется Parallel Computing Toolbox™ и поддерживаемое устройство GPU. Для получения информации о поддерживаемых устройствах смотрите Поддержку GPU by Release (Parallel Computing Toolbox). Можно также задать окружение выполнения с помощью 'ExecutionEnvironment' Аргумент пары "имя-значение" из trainingOptions.
options = trainingOptions('sgdm', ... 'MaxEpochs',4, ... 'ValidationData',imdsValidation, ... 'ValidationFrequency',30, ... 'Verbose',false, ... 'Plots','training-progress'); net = trainNetwork(imdsTrain,layers,options);
Для получения дополнительной информации об опциях обучения см. Раздел «Настройка параметров» и «Train сверточной нейронной сети».
Классифицируйте данные валидации и вычислите точность классификации.
YPred = classify(net,imdsValidation); YValidation = imdsValidation.Labels; accuracy = mean(YPred == YValidation)
accuracy = 0.9892
Для следующих шагов в глубоком обучении можно попробовать использовать предварительно обученную сеть для других задач. Решите новые классификационные задачи на данных изображения с помощью передачи обучения или редукции данных. Для примеров смотрите Начать Глубокое Обучение Быстрее С Помощью Передачи обучения и Обучить Классификаторы С Использованием Функций, Извлеченных из Предварительно Обученных Сетей. Дополнительные сведения о предварительно обученных сетях см. в разделе «Предварительно обученные глубокие нейронные сети».
trainingOptions | trainNetwork