Сгенерируйте код MATLAB от Deep Network Designer

Приложение Deep Network Designer позволяет вам сгенерировать MATLAB^® код, который воссоздает создание, редактирование и обучение сети в приложении.

Во вкладке Designer можно сгенерировать live скрипт к:

Воссоздайте слои в своей сети. Выберите Export> Generate Code.

Воссоздайте слои в своей сети, включая любые начальные параметры. Выберите Export> Generate Code with Initial Parameters.

Во вкладке Training можно сгенерировать live скрипт к:

Воссоздайте создание и обучение сети, которую вы создаете в Deep Network Designer. Выберите Export> Generate Code for Training.

Сгенерируйте код MATLAB, чтобы воссоздать слоя сети

Сгенерируйте код MATLAB для воссоздания сети, созданной в Deep Network Designer. Во вкладке Designer выберите одну из этих опций:

Чтобы воссоздать слои в вашей сети, выберите Export> Generate Code. Эта сеть не содержит начальные параметры, такие как предварительно обученные веса.
Чтобы воссоздать слои в вашей сети, включая любые начальные параметры, выбирают Export> Generate Code with Initial Parameters. Приложение создает live скрипт и MAT-файл, содержащий начальные параметры (веса и смещения) от вашей сети. Запустите скрипт, чтобы воссоздать слоя сети, включая настраиваемые параметры из MAT-файла. Используйте эту опцию, чтобы сохранить веса, если вы хотите использовать обучение с переносом.

Выполнение сгенерированного скрипта возвращает сетевую архитектуру как переменную в рабочей области. В зависимости от сетевой архитектуры переменная является графиком слоев под названием lgraph или массив слоя под названием layers. Для примера обучения сети, экспортируемой от Deep Network Designer, смотрите, Создают Простую Сеть Классификации Последовательностей Используя Deep Network Designer.

Сгенерируйте код MATLAB, чтобы обучить сеть

Чтобы воссоздать конструкцию и обучение сети в Deep Network Designer, сгенерируйте код MATLAB после обучения. Для примера использования Deep Network Designer, чтобы обучить сеть классификации изображений, смотрите Передачу обучения с Deep Network Designer.

Если обучение завершено на вкладке Training, выберите Export> Generate Code for Training. Приложение создает live скрипт и MAT-файл, содержащий начальные параметры (веса и смещения) от вашей сети. Если вы импортируете данные из рабочей области в Deep Network Designer затем, это также содержится в сгенерированном MAT-файле.

Выполнение сгенерированного скрипта создает сеть (включая настраиваемые параметры из MAT-файла), импортирует данные, устанавливает опции обучения и обучает сеть. Исследуйте сгенерированный скрипт, чтобы изучить, как создать и обучить сеть в командной строке.

Примечание

Если вы изменяете сеть, обучение и данные о валидации или опции обучения, нажимают Train прежде, чем сгенерировать live скрипт.

Можно также использовать сгенерированный скрипт в качестве начальной точки, чтобы создать эксперименты глубокого обучения, которые развертываются через область значений гиперзначений параметров или используют Байесовую оптимизацию, чтобы найти оптимальные опции обучения. Для примера, показывающего, как использовать Experiment Manager, чтобы настроить гиперпараметры сети, обученной в Deep Network Designer, смотрите, Адаптируют Код, Сгенерированный в Deep Network Designer для Использования в Experiment Manager.

Используйте сеть для предсказания

Предположим, что обучивший сеть содержится в переменной net. Чтобы использовать обучивший сеть для предсказания, используйте predict функция. Например, предположите, что у вас есть обученная сеть классификации изображений. Используйте экспортируемую сеть, чтобы предсказать класс peppers.png.

img = imread("peppers.png");
img = imresize(img, net.Layers(1).InputSize(1:2));
label = predict(net, img);
imshow(img);
title(label);

Ссылки

[1] Kudo, Mineichi, Юн Тояма и Масару Шимбо. “Многомерная Классификация Кривых Используя Прохождение через области”. Буквы Распознавания образов 20, № 11-13 (ноябрь 1999): 1103–11. https://doi.org/10.1016/S0167-8655 (99) 00077-X.

[2] Kudo, Mineichi, Юн Тояма и Масару Шимбо. Японский Набор данных Гласных. Распределенный Репозиторием Машинного обучения UCI. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels.

Документация