Здесь введите x и целевые t задайте простую функцию, которую можно построить на графике:

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')

Вот feedforwardnet создает двухслойную сеть прямого распространения. В сети есть 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 и затем повторяется.

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

Этот пример обучает разомкнутой нелинейно-авторегрессивной сети с внешним входом, чтобы смоделировать левитированную магнитную систему, заданную управляющим током x и ответ вертикального положения магнита t, затем моделирует сеть. Функция preparets подготавливает данные перед обучением и симуляцией. Он создает объединенные входы разомкнутого контура сети xo, который содержит оба внешних входных x и предыдущие значения позиционных 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 моделирована в форме с обратной связью.

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

Parallel Computing Toolbox™ позволяет Deep Learning Toolbox™ моделировать и обучать сети быстрее и на больших наборах данных, чем это возможно на одном ПК. Параллельное обучение в настоящее время поддерживается только для обучения backpropagation, а не для самоорганизующихся карт.

Здесь обучение и симуляция происходят между параллельными работниками MATLAB.

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

Используйте Композитные значения, чтобы распределить данные вручную и получить результаты как Составные значения. Если данные загружаются по мере их распределения, то в то время как каждый фрагмент набора данных должен помещаться в ОЗУ, набор данных в целом ограничивается только общей 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 примере выше конфигурация функции использовалась, чтобы задать размерности и настройки обработки входов сети. Обычно это происходит автоматически при вызове train, но при предоставлении составных данных этот шаг должен выполняться вручную с данными, отличными от составных.

Обучать сети можно с помощью текущего графического процессора, если оно поддерживается Parallel Computing Toolbox. Обучение графический процессор 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:

[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 примере выше конфигурация функции использовалась, чтобы задать размерности и настройки обработки входов сети. Обычно это происходит автоматически при вызове train, но при предоставлении данных gpuArray этот шаг должен выполняться вручную с данными, отличными от gpuArray.

Чтобы выполнять параллельно, каждый рабочий процесс назначается другому уникальному графическому процессору с дополнительными рабочими процессорами, работающими на центральном процессоре:

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

Использование только рабочих процессов с уникальными графическими процессорами может привести к более высокой скорости, поскольку центральный процессор рабочие могут не успевать.

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

Здесь сеть обучается с контрольными точками, сохраненными 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 последнюю сеть можно восстановить и использовать, чтобы продолжить обучение с точки отказа. Файл контрольной точки включает структурную переменную checkpoint, который включает в себя сеть, обучающую запись, 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 - когда вы останавливаете параллельный сеанс обучения (начинается с 'UseParallel' параметр), хотя Neural Network Training Tool недоступен во время параллельного обучения. В этом случае установите 'CheckpointFile', используйте Ctrl + C, чтобы остановить обучение в любое время, а затем загрузите файл контрольной точки, чтобы получить сетевую и обучающую запись.