SeriesNetwork

(Nicht empfohlen) Seriennetz für Deep Learning

SeriesNetwork-Objekte werden nicht empfohlen. Verwenden Sie stattdessen dlnetwork-Objekte. Weitere Informationen finden Sie unter Versionsverlauf.

Beschreibung

Ein Seriennetz ist ein neuronales Netz für Deep Learning, bei dem die Schichten nacheinander angeordnet sind. Es weist eine Eingangsschicht und eine Ausgangsschicht auf.

Erstellung

Es gibt mehre Methoden zur Erstellung eines SeriesNetwork-Objekts:

• Laden Sie ein vortrainiertes Netz, beispielsweise mithilfe von alexnet, darknet19, vgg16 oder vgg19.

• Trainieren Sie ein Netz mit trainNetwork bzw. stimmen Sie ein Netz ab. Ein Beispiel finden Sie unter Trainieren von Netzen für die Bildklassifizierung.

• Konstruieren Sie mit der assembleNetwork-Funktion ein Deep-Learning-Netz aus vortrainierten Schichten.

Hinweis

Weitere Informationen über vortrainierte Netze, wie googlenet und resnet50, finden Sie unter Pretrained Deep Neural Networks.

Eigenschaften

Layers — Netzschichten

Schreibgeschützt: Layer-Array

Diese Eigenschaft ist schreibgeschützt.

Netzschichten, angegeben als Layer-Array.

InputNames — Namen der Eingangsschichten

Schreibgeschützt: Zellarray von Zeichenvektoren

Diese Eigenschaft ist schreibgeschützt.

Namen der Eingangsschichten, angegeben als Zellen-Array aus Zeichenvektoren.

Datentypen: cell

OutputNames — Namen der Ausgangsschichten

Schreibgeschützt: Zellen-Array

Diese Eigenschaft ist schreibgeschützt.

Namen der Ausgangsschichten, angegeben als Zellen-Array aus Zeichenvektoren.

Datentypen: cell

Objektfunktionen

activations	(Not recommended) Compute deep learning network layer activations
classify	(Not recommended) Classify data using trained deep learning neural network
predict	(Not recommended) Predict responses using trained deep learning neural network
predictAndUpdateState	(Not recommended) Predict responses using a trained recurrent neural network and update the network state
classifyAndUpdateState	(Not recommended) Classify data using a trained recurrent neural network and update the network state
resetState	Reset state parameters of neural network
plot	Plot neural network architecture

Beispiele

Trainieren von Netzen für die Bildklassifizierung

Trainieren Sie ein Netz für die Bildklassifizierung.

Laden Sie die Daten als ImageDatastore-Objekt.

digitDatasetPath = fullfile(matlabroot,'toolbox','nnet', ...
    'nndemos','nndatasets','DigitDataset');
imds = imageDatastore(digitDatasetPath, ...
    'IncludeSubfolders',true, ...
    'LabelSource','foldernames');

Der Datastore umfasst 10.000 synthetische Bilder der Ziffern 0 bis 9. Die Bilder werden generiert, indem zufällige Transformationen auf Bilder von Ziffern mit verschiedenen Schriftarten angewendet werden. Jedes Bild ist 28 mal 28 Pixel groß. Der Datastore enthält für jede Kategorie dieselbe Anzahl Bilder.

Zeigen Sie einige der Bilder im Datastore an.

figure
numImages = 10000;
perm = randperm(numImages,20);
for i = 1:20
    subplot(4,5,i);
    imshow(imds.Files{perm(i)});
    drawnow;
end

Teilen Sie den Datastore so auf, dass jede Kategorie im Trainingssatz 750 Bilder umfasst und der Testsatz die restlichen Bilder jeder Kennzeichnung umfasst.

numTrainingFiles = 750;
[imdsTrain,imdsTest] = splitEachLabel(imds,numTrainingFiles, ...
    'randomize');

splitEachLabel teilt die Bilddateien in digitData auf zwei neue Datastores imdsTrain und imdsTest auf.

Definieren Sie die Architektur des Convolutional Neural Network.

layers = [ ...
    imageInputLayer([28 28 1])
    convolution2dLayer(5,20)
    reluLayer
    maxPooling2dLayer(2,'Stride',2)
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];

Setzen Sie die Optionen auf die Standardeinstellungen für den stochastischen Gradientenabstieg mit Momentum. Setzen Sie die maximale Anzahl Epochen auf 20 und starten Sie das Training mit einer anfänglichen Lerngeschwindigkeit von 0,0001.

options = trainingOptions('sgdm', ...
    'MaxEpochs',20,...
    'InitialLearnRate',1e-4, ...
    'Verbose',false, ...
    'Plots','training-progress');

Trainieren Sie das Netz.

net = trainNetwork(imdsTrain,layers,options);

Führen Sie das trainierte Netz mit dem Testset aus, das nicht zum Training des Netzes verwendet wurde, und sagen Sie die Bildkennzeichnungen (Ziffern) vorher.

YPred = classify(net,imdsTest);
YTest = imdsTest.Labels;

Berechnen Sie die Genauigkeit. Die Genauigkeit ist das Verhältnis der Anzahl korrekter Kennzeichnungen in den Testdaten, die den Klassifizierungen von classify entsprechen, zur Anzahl Bilder in den Testdaten.

accuracy = sum(YPred == YTest)/numel(YTest)

accuracy = 0.9416

Erweiterte Fähigkeiten

C/C++ Codegenerierung

Generieren Sie C und C++ Code mit MATLAB® Coder™.

Verwendungshinweise und Einschränkungen:

• Nur die Objektfunktionen activations, classify, predict, predictAndUpdateState, classifyAndUpdateState und resetState werden unterstützt.

GPU-Codegenerierung

Generieren von CUDA® Code für NVIDIA® Grafikprozessoren mit dem GPU Coder™.

Verwendungshinweise und Einschränkungen:

• Nur die Objektfunktionen activations, classify, predict, predictAndUpdateState, classifyAndUpdateState und resetState werden unterstützt.

Versionsverlauf

Eingeführt in R2016a

R2024a: Nicht empfohlen

Ab R2024a werden SeriesNetwork-Objekte nicht empfohlen; verwenden Sie stattdessen dlnetwork-Objekte.

Es wird nicht geplant, die Unterstützung für SeriesNetwork-Objekte aufzugeben. dlnetwork-Objekte werden jedoch empfohlen, da sie die folgenden Vorteile aufweisen:

• dlnetwork-Objekte haben einen einheitlichen Datentyp, der die Erstellung von Netzen, Vorhersagen, integriertes Training, Visualisierung, Komprimierung, Verifikation und benutzerdefinierte Trainingsschleifen unterstützt.

• dlnetwork-Objekte unterstützen eine breitere Palette von Netzwerkarchitekturen, die Sie erstellen oder von externen Plattformen importieren können.

• Die Funktion trainnet unterstützt dlnetwork-Objekte, so dass Sie Verlustfunktionen einfach angeben können. Sie können aus integrierten Verlustfunktionen wählen oder eine benutzerdefinierte Verlustfunktion angeben.

• Training und Vorhersage mit dlnetwork-Objekten ist in der Regel schneller als LayerGraph- und trainNetwork-Workflows.

Um ein trainiertes SeriesNetwork-Objekt in ein dlnetwork-Objekt zu konvertieren, verwenden Sie die dag2dlnetwork-Funktion.

Diese Tabelle umfasst einige typische Anwendungen von SeriesNetwork-Objekten und beschreibt, wie Sie Ihren Code aktualisieren können, um stattdessen dlnetwork-Objektfunktionen zu verwenden.

Nicht empfohlen	Empfohlen
Y = predict(net,X);	Y = minibatchpredict(net,X);
Y = classify(net,X);	scores = minibatchpredict(net,X); Y = scores2label(scores,classNames);
Y = activations(net,X,layerName);	Y = predict(net,X,Outputs=layerName);
[net,Y] = predictAndUpdateState(net,X);	[Y,state] = predict(net,X); net.State = state;
[net,Y] = classifyAndUpdateState(net,X);	[scores,state] = predict(net,X); Y = scores2label(scores,classNames); net.State = state;

Siehe auch

dlnetwork | imagePretrainedNetwork | trainingOptions | trainnet | minibatchpredict | scores2label | dag2dlnetwork | predict | analyzeNetwork | plot

Themen

• Erstellen eines einfachen neuronalen Deep-Learning-Netzes für die Klassifizierung
• Trainieren eines Convolutional Neural Network für Regression
• Sequenz-Klassifizierung mithilfe von Deep Learning
• Deep Learning in MATLAB
• Define Custom Deep Learning Layers
• Long Short-Term Memory Neural Networks