Deep Network Designer
Entwurf und Visualisierung von Deep-Learning-Netzen
Beschreibung
Mit der App Deep Network Designer können Sie Deep-Learning-Netze importieren, erstellen, visualisieren und bearbeiten. Mit dieser App können Sie:
Netze erstellen, bearbeiten und kombinieren
Vortrainierte Netze laden und für das Transfer Learning bearbeiten
Netze aus PyTorch® und TensorFlow™ importieren
Netze analysieren, um sicherzustellen, dass die Architektur korrekt definiert ist
Mithilfe von Komprimierungstechniken Netze auf Speicherreduzierung analysieren.
Netz nach Simulink® exportieren
MATLAB®-Code zum Erstellen von Netzen generieren
Öffnen Sie die Deep Network Designer-App
MATLAB-Symbolleiste: Klicken Sie auf der Registerkarte Apps unter Machine Learning and Deep Learning auf das App-Symbol.
MATLAB-Eingabeaufforderung: Geben Sie
deepNetworkDesignerein.
Beispiele
Erstellen Sie ein Klassifizierungsnetz für numerische Merkmalsdaten.
Öffnen Sie Deep Network Designer.
deepNetworkDesigner
Zum Erstellen eines leeren Netzes zeigen Sie mit der Maus auf Blank Network (Leeres Netz) und klicken Sie auf New. Die App öffnet eine leere Zeichenfläche, in die Sie Schichten mit Drag-and-Drop ziehen und ablegen können.
Ziehen Sie aus der Layer Library (Schichtenbibliothek) eine featureInputLayer auf die Zeichenfläche. Sie können den Filter Layer Library zur Suche nach Schichten verwenden. Wählen Sie die Schicht aus. Setzen Sie im Bereich Properties (Eigenschaften) die Option Normalization auf "zscore" und InputSize auf die Anzahl der Merkmale in Ihren Daten. Ziehen Sie dann eine fullyConnectedLayer auf die Zeichenfläche. Um die Schichten zu verbinden, fahren Sie über die featureInputLayer und klicken Sie auf den out-Port. Ziehen Sie den Pfeil auf den in-Port der fullyConnectedLayer.
Fügen Sie eine layerNormalizationLayer gefolgt von einer reluLayer auf der Zeichenfläche ein und verbinden Sie sie nacheinander.
Zum Schluss fügen Sie eine fullyConnectedLayer gefolgt von einer softmaxLayer hinzu und verbinden sie. Für die letzte fullyConnectedLayer wählen Sie die Schicht aus und setzen den Wert OutputSize auf die Anzahl der Klassen in Ihren Daten.
Um die Schichten automatisch auszurichten, klicken Sie auf Auto Arrange.
Um zu prüfen, ob das Netz für das Training bereit ist, wählen Sie Analyze (Analysieren). Der Deep Learning Network Analyzer zeigt, dass das Netz keine Warnungen oder Fehler aufweist.
Um das Netz in den Workspace zu exportieren, klicken Sie auf Export (Exportieren). Um Code zur Neuerstellung des Netzes zu generieren, klicken Sie auf Export > Generate Network Code Without Parameters (Netzcode ohne Parameter generieren).
Bereiten Sie ein Netz für Transfer Learning vor, indem Sie es im Deep Network Designer bearbeiten.
Beim Transfer Learning wird ein zuvor trainiertes Deep-Learning-Netz für das Erlernen einer neuen Aufgabe abgestimmt. Sie können Merkmale, die mit Transfer Learning erlernt wurden, schnell einer neuen Aufgabe hinzufügen und dabei weniger Trainingsbilder verwenden. Transfer Learning ist daher oft schneller und einfacher als das Training eines Netzes von Grund auf. Um ein vortrainiertes Netz für das Transfer Learning zu verwenden, müssen Sie die Anzahl der Klassen an den neuen Datensatz anpassen.
Deep Network Designer bietet eine Auswahl an vortrainierten Bild- und Audionetzen. Um die vortrainierten Netze zu untersuchen, öffnen Sie den Deep Network Designer.
deepNetworkDesigner
Für dieses Beispiel halten Sie bei SqueezeNet an und klicken auf Open (Öffnen).
Um das Netz für das Transfer Learning vorzubereiten:
Setzen Sie die Anzahl der Klassen auf die neue Anzahl der Klassen. Dies setzt die Eigenschaft
NumFiltersin der letzten lernbaren Schicht. Die EigenschaftNumFilterslegt die Anzahl an Klassen für Klassifizierungsprobleme fest.Steigern Sie die Lerngeschwindigkeit der letzten lernbaren Schicht, sodass das Lernen in der letzten lernbaren Schicht schneller erfolgt als in den transferierten Schichten. Dies setzt die Eigenschaften
WeightLearnRateFactorundBiasLearnRateFactorder letzten lernbaren Schicht.Klicken Sie auf Import.
Vor R2025b: Um das Netz an die neuen Daten anzupassen, müssen Sie auf die letzte lernbare Schicht im Fensterbereich Designer und daraufhin auf Unlock Layer (Schicht entsperren) klicken, die Eigenschaft NumFilters auf die Anzahl Klassen in den neuen Daten setzen und die Eigenschaften WeightLearnRateFactor und BiasLearnRateFactor erhöhen.
Überprüfen Sie Ihr Netz, indem Sie auf Analyze klicken. Das Netz ist bereit für das Training, wenn Deep Learning Network Analyzer keine Fehler meldet. Um das vorbereitete Netz in den Workspace zu exportieren, klicken Sie auf Export (Exportieren). Um einen MATLAB Programmcode zur Erstellung des Netzes zu generieren, klicken Sie auf Generate Network Code (Netzcode generieren).
Ein Beispiel für das Training eines Netzes zur Klassifizierung neuer Bilder finden Sie unter Vorbereiten des Netzes auf Transfer Learning mithilfe von Deep Network Designer.
Importieren Sie ein neuronales Netz aus PyTorch® oder TensorFlow™.
Für dieses Beispiel importieren Sie das MNASNet (Copyright© Soumith Chintala 2016) PyTorch-Modell. Laden Sie die Datei mnasnet1_0, die etwa 17 MB groß ist, von der MathWorks-Website herunter.
modelfile = matlab.internal.examples.downloadSupportFile("nnet", ... "data/PyTorchModels/mnasnet1_0.pt");
Um ein Netz von einer externen Plattform zu importieren, verwenden Sie Deep Network Designer.
deepNetworkDesigner
Sie können Modelle aus PyTorch® oder TensorFlow™ importieren.
Klicken Sie bei PyTorch®-Modellen auf das Symbol From PyTorch (Aus PyTorch). Kopieren Sie im Dialogfeld Import PyTorch Model (PyTorch-Modell importieren) den Speicherort der Modelldatei und klicken Sie dann auf Import (Importieren).
Beim Importieren von PyTorch-Netzken mit Deep Network Designer haben Sie die Möglichkeit, die Eingabegrößen des Netzes anzugeben. Diese Option ist nur verfügbar, wenn die Angabe der Eingabegrößen den Import erfolgreicher machen könnte, z. B. durch Verringerung der Anzahl der benutzerdefinierten Schichten.
Die App importiert das Netz und erstellt einen Importbericht. Der Importbericht zeigt alle Probleme mit dem Netz an, die behoben werden müssen, bevor Sie das Netz für das Training oder die Inferenz verwenden können. Der Bericht zeigt zum Beispiel eine Warnung an, wenn die App nicht in der Lage ist, die Eingabegrößen abzuleiten oder wenn Sie Platzhalterschichten ausfüllen müssen.
Ein Beispiel für den Import eines PyTorch®-Netzes in Deep Network Designer und die Behebung von Problemen finden Sie unter Import PyTorch Model Using Deep Network Designer.
Exportieren Sie ein trainiertes Netz aus dem Deep Network Designer nach Simulink®.
Öffnen Sie Deep Network Designer.
deepNetworkDesigner
Die App umfasst zwei Simulink-Exporttypen:
Export zu einem einzigen Netzblock, beispielsweise einem Predict-Block
Export zu mehreren Schichtblöcken
Bei kleinen Netzen, bei denen alle Schichten als Schichtblöcke unterstützt werden, wird der Export zu Schichtblöcken empfohlen. Bei großen Netzen oder Netzen, deren Schichten nicht als Schichtblöcke unterstützt werden, wird der Export zu einem einzigen Netzblock empfohlen. Wenn Ihr Netz Schichten aufweist, die nicht als Schichtblöcke unterstützt werden, wird Ihnen eine Warnung angezeigt.
Export als Schichtblöcke
Für dieses Beispiel halten Sie bei LSTM an und klicken auf Open (Öffnen). Um das Netz nach Simulink zu exportieren, wählen Sie Export > Export to Simulink. Wählen Sie im Dialog Export to Simulink (Zu Simulink exportieren) für die Option Export as (Exportieren als) Multiple Layer Blocks (Mehrschichtblöcke) aus. Wählen Sie einen Speicherort für die Simulink-Datei mit den Netzparametern aus und klicken Sie daraufhin auf Export. Wenn das Netz während des Exports nicht initialisiert ist, versucht die Anwendung, es zu initialisieren.
Die App erstellt ein Simulink-Modell.
Klicken Sie in my_model_1, um die einzelnen Schichtblöcke anzuzeigen.
Eine Liste der als Schichtblöcke unterstützen Schichten finden Sie unter List of Deep Learning Layer Blocks and Subsystems.
Exportieren als Netzblock
Sie können Ihr Modell zudem als einzelnen Netzblock exportieren. Wählen Sie in Deep Network Designer für die Option Export as (Exportieren als) Single Network Block (Einzelner Netzblock). In diesem Beispiel exportiert die App das Netz als Stateful Predict-Block.
Bei zustandsbehafteten neuronalen Netzen verwendet das exportierte Modell einen diskreten Solver mit festem Zeitschritt. Stellen Sie sicher, dass die von Ihnen im Block Stateful Predict oder im lokalen Solver angegebene Schrittzeit den zum Training des Modells verwendeten Zeiten entspricht.
Mit der App Deep Network Designer können Sie MATLAB®-Code generieren, der die Netzarchitektur nachbildet.
Um die Schichten in Ihrem Netz einschließlich aller Anfangsparameter neu zu erstellen, wählen Sie Export > Generate Network Code (Netzcode generieren) aus. Die Anwendung erstellt ein Live-Skript und eine MAT-Datei mit den Anfangsparametern (Gewichte und Verzerrungen) Ihres Netzes. Führen Sie das Skript aus, um die Netzschichten neu zu erstellen, einschließlich der lernbaren Parameter aus der MAT-Datei. Verwenden Sie diese Option, um die Gewichte beizubehalten, wenn Sie Transfer Learning durchführen möchten.
Um nur die Schichten in Ihrem Netz neu zu erstellen, wählen Sie Export > Generate Network Code Without Parameters (Code ohne Anfangsparameter generieren). Dieses Netz enthält keine Anfangsparameter, wie z. B. vortrainierte Gewichte.
Die Ausführung des generierten Skripts gibt die Netzarchitektur als ein dlnetwork-Objekt aus. Ein Beispiel für das Training eines aus Deep Network Designer exportierten Netzes finden Sie unter Erste Schritte mit Deep Network Designer. Weitere Informationen zur Codegenerierung finden Sie unter Generieren von MATLAB-Code aus Network Designer.
Verwandte Beispiele
Programmatische Nutzung
Tipps
Zum interaktiven Erstellen und Trainieren neuronaler Deep-Learning-Netze für Zeitreihenaufgaben verwenden Sie die App Time Series Modeler. Weitere Informationen finden Sie unter Get Started with Time Series Forecasting.
