Если Deep Learning Toolbox™ не предоставляет слой, который вам нужен для задачи классификации или регрессии, то можно задать свой собственный пользовательский слой, используя этот пример в качестве руководства. Список встроенных слоев см. в Списке слоев глубокого обучения.
Чтобы определить пользовательский слой глубокого обучения, можно использовать шаблон, представленный в этом примере, который проходит через следующие шаги:
Назовите слой - Дайте слою имя, чтобы вы могли использовать его в MATLAB®.
Объявить свойства слоя - Задать свойства слоя и какие параметры узнаются во время обучения.
Создайте функцию конструктора (необязательно) - задайте, как создать слой и инициализировать его свойства. Если вы не задаете функцию конструктора, то при создании программное обеспечение инициализирует Name
, Description
, и Type
свойства с []
и устанавливает количество входов и выходов слоя равным 1.
Создайте прямые функции - Задайте, как данные проходят вперед через слой (прямое распространение) во время предсказания и во время обучения.
Создайте обратную функцию (необязательно) - Задайте производные потерь относительно входных данных и настраиваемых параметров (обратное распространение). Если вы не задаете обратную функцию, то передние функции должны поддерживать dlarray
объекты.
Этот пример показывает, как создать взвешенный слой сложения, который является слоем с несколькими входами и настраиваемым параметром, и использовать его в сверточной нейронной сети. Взвешенный сложением слой масштабирует и добавляет входов из нескольких слоев нейронной сети поэлементно.
Скопируйте слой с настраиваемых параметров шаблоном в новый файл в MATLAB. Этот шаблон описывает структуру слоя с настраиваемыми параметрами и включает функции, которые определяют поведение слоя.
classdef myLayer < nnet.layer.Layer % & nnet.layer.Formattable (Optional) properties % (Optional) Layer properties. % Layer properties go here. end properties (Learnable) % (Optional) Layer learnable parameters. % Layer learnable parameters go here. end methods function layer = myLayer() % (Optional) Create a myLayer. % This function must have the same name as the class. % Layer constructor function goes here. end function [Z1, …, Zm] = predict(layer, X1, …, Xn) % Forward input data through the layer at prediction time and % output the result. % % Inputs: % layer - Layer to forward propagate through % X1, ..., Xn - Input data % Outputs: % Z1, ..., Zm - Outputs of layer forward function % Layer forward function for prediction goes here. end function [Z1, …, Zm, memory] = forward(layer, X1, …, Xn) % (Optional) Forward input data through the layer at training % time and output the result and a memory value. % % Inputs: % layer - Layer to forward propagate through % X1, ..., Xn - Input data % Outputs: % Z1, ..., Zm - Outputs of layer forward function % memory - Memory value for custom backward propagation % Layer forward function for training goes here. end function [dLdX1, …, dLdXn, dLdW1, …, dLdWk] = ... backward(layer, X1, …, Xn, Z1, …, Zm, dLdZ1, …, dLdZm, memory) % (Optional) Backward propagate the derivative of the loss % function through the layer. % % Inputs: % layer - Layer to backward propagate through % X1, ..., Xn - Input data % Z1, ..., Zm - Outputs of layer forward function % dLdZ1, ..., dLdZm - Gradients propagated from the next layers % memory - Memory value from forward function % Outputs: % dLdX1, ..., dLdXn - Derivatives of the loss with respect to the % inputs % dLdW1, ..., dLdWk - Derivatives of the loss with respect to each % learnable parameter % Layer backward function goes here. end end end
Сначала дайте слою имени. В первой линии файла класса замените существующее имя myLayer
с weightedAdditionLayer
.
classdef weightedAdditionLayer < nnet.layer.Layer ... end
Далее переименуйте myLayer
функция конструктора (первая функция в methods
section) так, чтобы оно имело то же имя что и слой.
methods function layer = weightedAdditionLayer() ... end ... end
Сохраните файл класса слоя в новом файле с именем weightedAdditionLayer.m
. Имя файла должно совпадать с именем слоя. Чтобы использовать слой, необходимо сохранить файл в текущей папке или в папке на пути MATLAB.
Объявление свойств слоя в properties
и объявить настраиваемые параметры путем их перечисления в properties (Learnable)
раздел.
По умолчанию пользовательские промежуточные слои имеют эти свойства.
Свойство | Описание |
---|---|
Name | Имя слоя, заданное как вектор символов или строковый скаляр. Чтобы включить слой в график слоев, необходимо задать непустое уникальное имя слоя. Если вы обучаете последовательную сеть с слоем и Name установлено в '' затем программа автоматически присваивает слою имя во время обучения. |
Description | Однострочное описание слоя, заданное как вектор символов или строковый скаляр. Это описание появляется, когда слой отображается в |
Type | Тип слоя, заданный как вектор символов или строковый скаляр. Значение Type появляется, когда слой отображается в Layer массив. Если тип слоя не задан, программа отображает имя класса слоя. |
NumInputs | Количество входов слоя, заданное в виде положительного целого числа. Если вы не задаете это значение, то программное обеспечение автоматически устанавливает NumInputs к количеству имен в InputNames . Значение по умолчанию является 1. |
InputNames | Входные имена слоя, заданные как массив ячеек из векторов символов. Если вы не задаете это значение и NumInputs больше 1, затем программное обеспечение автоматически устанавливает InputNames на {'in1',...,'inN'} , где N равно NumInputs . Значение по умолчанию {'in'} . |
NumOutputs | Количество выходов слоя в виде положительного целого числа. Если вы не задаете это значение, то программное обеспечение автоматически устанавливает NumOutputs к количеству имен в OutputNames . Значение по умолчанию является 1. |
OutputNames | Выходные имена слоя, заданные как массив ячеек из векторов символов. Если вы не задаете это значение и NumOutputs больше 1, затем программное обеспечение автоматически устанавливает OutputNames на {'out1',...,'outM'} , где M равно NumOutputs . Значение по умолчанию {'out'} . |
Если слой не имеет других свойств, можно опустить properties
раздел.
Совет
Если вы создаете слой с несколькими входами, то вы должны задать NumInputs
или InputNames
свойства в конструкторе слоев. Если вы создаете слой с несколькими выходами, то необходимо задать NumOutputs
или OutputNames
свойства в конструкторе слоев.
Взвешенный слой сложения не требует никаких дополнительных свойств, поэтому можно удалить properties
раздел.
Взвешенный слой сложения имеет только один настраиваемый параметр, веса. Объявите этот настраиваемый параметр в properties (Learnable)
и вызовите параметр Weights
.
properties (Learnable)
% Layer learnable parameters
% Scaling coefficients
Weights
end
Создайте функцию, которая создает слой и инициализирует свойства слоя. Задайте любые переменные, необходимые для создания слоя в качестве входов для функции конструктора.
Функция конструктора взвешенного слоя сложения требует двух входов: количества входов слоя и имени слоя. Это количество входов в слой задает размер настраиваемого параметра Weights
. Задайте два входных параметров с именем numInputs
и name
в weightedAdditionLayer
функция. Добавьте комментарий к верхней части функции, которая объясняет синтаксис функции.
function layer = weightedAdditionLayer(numInputs,name) % layer = weightedAdditionLayer(numInputs,name) creates a % weighted addition layer and specifies the number of inputs % and the layer name. ... end
Инициализируйте свойства слоя, включая настраиваемые параметры, в функции конструктора. Замените комментарий % Layer constructor function goes here
с кодом, который инициализирует свойства слоя.
Установите NumInputs
свойство для входного параметра numInputs
.
% Set number of inputs.
layer.NumInputs = numInputs;
Установите Name
свойство для входного параметра name
.
% Set layer name.
layer.Name = name;
Дайте слою однострочного описания путем установки Description
свойство слоя. Установите описание, чтобы описать тип слоя и его размер.
% Set layer description. layer.Description = "Weighted addition of " + numInputs + ... " inputs";
Взвешенный слой сложения умножает каждый вход слоя на соответствующий коэффициент в Weights
и добавляет результирующие значения вместе. Инициализируйте настраиваемый параметр Weights
быть случайным вектором размера 1-by- numInputs
. Weights
является свойством объекта слоя, поэтому вы должны назначить вектор layer.Weights
.
% Initialize layer weights
layer.Weights = rand(1,numInputs);
Просмотрите завершенную функцию конструктора.
function layer = weightedAdditionLayer(numInputs,name)
% layer = weightedAdditionLayer(numInputs,name) creates a
% weighted addition layer and specifies the number of inputs
% and the layer name.
% Set number of inputs.
layer.NumInputs = numInputs;
% Set layer name.
layer.Name = name;
% Set layer description.
layer.Description = "Weighted addition of " + numInputs + ...
" inputs";
% Initialize layer weights.
layer.Weights = rand(1,numInputs);
end
С помощью этой функции конструктора команда weightedAdditionLayer(3,'add')
создает взвешенный слой сложения с тремя входами и именем 'add'
.
Создайте передовые функции слоя для использования во времени предсказания и времени обучения.
Создайте функцию с именем predict
который распространяет данные вперед через слой во время предсказания и выводит результат.
Синтаксис для predict
является [Z1,…,Zm] = predict(layer,X1,…,Xn)
, где X1,…,Xn
являются ли n
входы и Z1,…,Zm
слоя являются ли
m
выходы слоя. Значения n
и m
должен соответствовать NumInputs
и NumOutputs
свойства слоя.
Совет
Если количество входов в predict
может варьироваться, затем использовать varargin
вместо X1,…,Xn
. В этом случае varargin
- массив ячеек входных входов, где varargin{i}
соответствует Xi
. Если количество выходов может варьироваться, используйте varargout
вместо Z1,…,Zm
. В этом случае varargout
- массив ячеек выходов, где varargout{j}
соответствует Zj
.
Совет
Если у пользовательского слоя есть dlnetwork
объект для настраиваемого параметра, затем в predict
функция пользовательского слоя, используйте predict
функция для dlnetwork
. Использование dlnetwork
predict объекта
функция гарантирует, что программное обеспечение использует правильные операции слоя для предсказания.
Поскольку взвешенный слой сложения имеет только один выход и переменное количество входов, синтаксис для predict
для взвешенного слоя сложения Z = predict(layer,varargin)
, где varargin{i}
соответствует Xi
для положительных целых чисел i
меньше или равно NumInputs
.
По умолчанию слой использует predict
как прямая функция во время обучения. Чтобы использовать другую прямую функцию во время обучения или сохранить значение, необходимое для обратной функции, вы также должны создать функцию с именем forward
.
Размерности входов зависят от типа данных и выхода связанных слоев:
Вход слоя | Вход сигнала | Размерность наблюдения |
---|---|---|
2-D изображения | h -by- w -by- c -by- N, где h, w и c соответствуют высоте, ширине и количеству каналов изображений, соответственно, а N - количеству наблюдений. | 4 |
3-D изображения | <reservedrangesplaceholder9>-by-<reservedrangesplaceholder8>-by-<reservedrangesplaceholder7>-by-<reservedrangesplaceholder6>-by-<reservedrangesplaceholder5>, где h, w, d, и c соответствуют высоте, ширине, глубине, и количество каналов 3D изображений, соответственно, и N - количество наблюдений. | 5 |
Векторные последовательности | c -by- N -by- S, где c - количество функций последовательностей, N - количество наблюдений, а S - длина последовательности. | 2 |
2-D последовательности изображений | h -by- w -by- c -by- N -by- S, где h, w и c соответствуют высоте, ширине и количеству каналов изображений, соответственно, N является количеством наблюдений, а S - длиной последовательности. | 4 |
3-D последовательности изображений | h -by- w -by- d -by- c -by- N -by- S, где h, w, d и c соответствуют высоте, ширине, глубине и количеству каналов 3-D изображений, соответственно, N количество наблюдений, а S - длина последовательности. | 5 |
Для слоев, которые выводят последовательности, слои могут выводить последовательности любой длины или выводить данные без временной размерности. Обратите внимание, что при обучении сети, которая выводит последовательности, используя trainNetwork
function, длины входа и выхода последовательностей должны совпадать.
The forward
функция распространяет данные вперед через слой во время обучения, а также выводит значение памяти.
Синтаксис для forward
является [Z1,…,Zm,memory] = forward(layer,X1,…,Xn)
, где X1,…,Xn
являются ли n
входы слоя, Z1,…,Zm
являются ли m
выходы слоя и memory
- память слоя.
Совет
Если количество входов в forward
может варьироваться, затем использовать varargin
вместо X1,…,Xn
. В этом случае varargin
- массив ячеек входных входов, где varargin{i}
соответствует Xi
. Если количество выходов может варьироваться, используйте varargout
вместо Z1,…,Zm
. В этом случае varargout
- массив ячеек выходов, где varargout{j}
соответствует Zj
для j
= 1, …, NumOutputs
и varargout{NumOutputs + 1}
соответствует memory
.
Совет
Если у пользовательского слоя есть dlnetwork
объект для настраиваемого параметра, затем в forward
функцию пользовательского слоя используйте forward
функция dlnetwork
объект. Использование dlnetwork
forward объекта
функция гарантирует, что программное обеспечение использует правильные операции слоя для обучения.
Прямая функция взвешенного слоя сложения является
где X(1),..., X(n) соответствуют входы слоя и W1,..., Wn являются весами слоя.
Реализуйте прямую функцию в predict
. В predict
, а выход Z
соответствует . Взвешенный слой сложения не требует памяти или другой прямой функции для обучения, поэтому можно удалить forward
функция из файла класса. Добавьте комментарий к верхней части функции, которая объясняет синтаксисы функции.
Совет
Если вы предварительно распределяете массивы, используя такие функции, как zeros
Затем необходимо убедиться, что типы данных этих массивов соответствуют входам функции слоя. Чтобы создать массив нулей того совпадающий тип данных, что и другой массив, используйте 'like'
опция zeros
. Для примера инициализировать массив нулей размера sz
с тем совпадающим типом данных, что и массив X
, использовать Z = zeros(sz,'like',X)
.
function Z = predict(layer, varargin)
% Z = predict(layer, X1, ..., Xn) forwards the input data X1,
% ..., Xn through the layer and outputs the result Z.
X = varargin;
W = layer.Weights;
% Initialize output
X1 = X{1};
sz = size(X1);
Z = zeros(sz,'like',X1);
% Weighted addition
for i = 1:layer.NumInputs
Z = Z + W(i)*X{i};
end
end
Потому что predict
функция использует только функции, которые поддержка dlarray
объекты, определяющие backward
функция опциональна. Список функций, поддерживающих dlarray
объекты, см. Список функций с поддержкой dlarray.
Просмотрите заполненный файл класса слоя.
classdef weightedAdditionLayer < nnet.layer.Layer % Example custom weighted addition layer. properties (Learnable) % Layer learnable parameters % Scaling coefficients Weights end methods function layer = weightedAdditionLayer(numInputs,name) % layer = weightedAdditionLayer(numInputs,name) creates a % weighted addition layer and specifies the number of inputs % and the layer name. % Set number of inputs. layer.NumInputs = numInputs; % Set layer name. layer.Name = name; % Set layer description. layer.Description = "Weighted addition of " + numInputs + ... " inputs"; % Initialize layer weights. layer.Weights = rand(1,numInputs); end function Z = predict(layer, varargin) % Z = predict(layer, X1, ..., Xn) forwards the input data X1, % ..., Xn through the layer and outputs the result Z. X = varargin; W = layer.Weights; % Initialize output X1 = X{1}; sz = size(X1); Z = zeros(sz,'like',X1); % Weighted addition for i = 1:layer.NumInputs Z = Z + W(i)*X{i}; end end end end
Если функции слоя forward полностью поддерживают dlarray
объекты, тогда слой совместим с графическим процессором. В противном случае, чтобы быть совместимым с графический процессор, функции слоя должны поддерживать входы и выходные выходы возврата типа gpuArray
(Parallel Computing Toolbox).
Многие встроенные функции MATLAB поддерживают gpuArray
(Parallel Computing Toolbox) и dlarray
входные параметры. Список функций, поддерживающих dlarray
объекты, см. Список функций с поддержкой dlarray. Список функций, которые выполняются на графическом процессоре, см. в разделе Запуск функций MATLAB на графическом процессоре (Parallel Computing Toolbox). Для использования графический процессор для глубокого обучения необходимо иметь также поддерживаемое графический процессор. Для получения информации о поддерживаемых устройствах смотрите Поддержку GPU by Release (Parallel Computing Toolbox). Для получения дополнительной информации о работе с графическими процессорами в MATLAB, смотрите GPU Computing в MATLAB (Parallel Computing Toolbox).
В этом примере функции MATLAB, используемые в predict
все dlarray поддержки
объекты, поэтому слой совместим с графическим процессором.
Проверьте валидность слоя пользовательского слоя weightedAdditionLayer
.
Задайте пользовательский взвешенный слой сложения. Чтобы создать этот слой, сохраните файл weightedAdditionLayer.m
в текущей папке.
Создайте образец слоя и проверьте его валидность с помощью checkLayer
. Задайте допустимые входные размеры, чтобы быть типичными размерами одного наблюдения для каждого входа в слой. Слой ожидает 4-D входов массива, где первые три размерности соответствуют высоте, ширине и количеству каналов предыдущего выхода слоя, а четвертая размерность соответствует наблюдениям.
Задайте типовой размер входа наблюдения и набора 'ObservationDimension'
по 4.
layer = weightedAdditionLayer(2,'add'); validInputSize = {[24 24 20],[24 24 20]}; checkLayer(layer,validInputSize,'ObservationDimension',4)
Running nnet.checklayer.TestLayerWithoutBackward .......... ....... Done nnet.checklayer.TestLayerWithoutBackward __________ Test Summary: 17 Passed, 0 Failed, 0 Incomplete, 0 Skipped. Time elapsed: 0.55735 seconds.
Здесь функция не обнаруживает никаких проблем со слоем.
Можно использовать пользовательский слой так же, как и любой другой слой в Deep Learning Toolbox. В этом разделе показов, как создать и обучить сеть для классификации цифр с помощью взвешенного слоя сложения, созданного ранее.
Загрузите пример обучающих данных.
[XTrain,YTrain] = digitTrain4DArrayData;
Задайте пользовательский взвешенный слой сложения. Чтобы создать этот слой, сохраните файл weightedAdditionLayer.m
в текущей папке.
Создайте график слоев, включая пользовательский слой weightedAdditionLayer
.
layers = [ imageInputLayer([28 28 1],'Name','in') convolution2dLayer(5,20,'Name','conv1') reluLayer('Name','relu1') convolution2dLayer(3,20,'Padding',1,'Name','conv2') reluLayer('Name','relu2') convolution2dLayer(3,20,'Padding',1,'Name','conv3') reluLayer('Name','relu3') weightedAdditionLayer(2,'add') fullyConnectedLayer(10,'Name','fc') softmaxLayer('Name','softmax') classificationLayer('Name','classoutput')]; lgraph = layerGraph(layers); lgraph = connectLayers(lgraph, 'relu1', 'add/in2');
Установите опции обучения и обучите сеть.
options = trainingOptions('adam','MaxEpochs',10); net = trainNetwork(XTrain,YTrain,lgraph,options);
Training on single CPU. Initializing input data normalization. |========================================================================================| | Epoch | Iteration | Time Elapsed | Mini-batch | Mini-batch | Base Learning | | | | (hh:mm:ss) | Accuracy | Loss | Rate | |========================================================================================| | 1 | 1 | 00:00:00 | 12.50% | 2.2951 | 0.0010 | | 2 | 50 | 00:00:07 | 72.66% | 0.7877 | 0.0010 | | 3 | 100 | 00:00:12 | 89.84% | 0.2982 | 0.0010 | | 4 | 150 | 00:00:18 | 94.53% | 0.1569 | 0.0010 | | 6 | 200 | 00:00:24 | 99.22% | 0.0376 | 0.0010 | | 7 | 250 | 00:00:29 | 99.22% | 0.0393 | 0.0010 | | 8 | 300 | 00:00:35 | 99.22% | 0.0186 | 0.0010 | | 9 | 350 | 00:00:41 | 100.00% | 0.0101 | 0.0010 | | 10 | 390 | 00:00:45 | 100.00% | 0.0072 | 0.0010 | |========================================================================================|
Просмотрите веса, выученные взвешенным слоем сложения.
net.Layers(8).Weights
ans = 1x2 single row vector
1.0227 1.0001
Оцените эффективность сети, предсказав новые данные и вычислив точность.
[XTest,YTest] = digitTest4DArrayData; YPred = classify(net,XTest); accuracy = sum(YTest==YPred)/numel(YTest)
accuracy = 0.9894
analyzeNetwork
| checkLayer
| trainNetwork