使用深度网络设计器构建网络 -凯发k8网页登录

迁移学习

深度学习应用中常常用到迁移学习。您可以采用预训练的网络，基于它学习新任务。与使用随机初始化的权重从头训练网络相比，通过迁移学习微调网络要更快更简单。您可以使用较少数量的训练图像快速地将已学习的特征迁移到新任务。

深度网络设计器提供一系列适用于通过图像数据进行迁移学习的预训练网络。

图像分类

您可以使用深度网络设计器通过从网络层库中拖动层并连接它们来构建图像分类网络。您也可以在命令行中创建网络，然后将该网络导入深度网络设计器中。

例如，创建一个网络，对分成 10 个类的 28×28 图像的数据集进行图像分类训练。

inputsize = [28 28 1];
numclasses = 10;
layers = [
    imageinputlayer(inputsize)
    convolution2dlayer(5,20)
    batchnormalizationlayer
    relulayer
    fullyconnectedlayer(numclasses)
    softmaxlayer
    classificationlayer];
deepnetworkdesigner(layers)

要使此网络适应您自己的数据，请将图像输入层的 inputsize 设置为与您的图像输入大小匹配，并将全连接层的 outputsize 设置为您的数据中的类数目。对于更复杂的分类任务，请创建一个更深的网络。有关详细信息，请参阅深度网络。

有关如何创建和训练图像分类网络的示例，请参阅。

序列分类

您可以使用深度网络设计器从头开始构建一个序列网络，也可以从起始页使用一个预置的未经训练的网络。打开深度网络设计器起始页。在序列到标签上暂停，然后点击打开。这会打开一个适合序列分类问题的预置网络。

您可以调整此序列网络，以使用您的数据进行训练。假设您有包含 12 个特征和 9 个类的数据。要调整此网络，请选择 sequenceinputlayer，并将 inputsize 设置为 12。

然后，选择 fullyconnectedlayer，并将 outputsize 设置为 9，即类的数目。

网络现已准备好进行训练。要在深度网络设计器中训练网络，请创建一个包含预测变量和响应变量的 。有关详细信息，请参阅。有关说明如何使用深度网络设计器创建合并数据存储和训练序列到序列回归网络的示例，请参阅。有关如何导出在深度网络设计器中构建的网络并使用命令行函数对其进行训练的示例，请参阅。

数值数据分类

如果您有包含数值特征的数据集（例如，一个不包含空间或时间维度的数值数据集合），则可以使用特征输入层训练深度学习网络。有关特征输入层的详细信息，请参阅 。

您可以使用深度网络设计器构造一个合适的网络，也可以在命令行中创建该网络并将其导入深度网络设计器中。

例如，为包含 10 个类的数值数据创建一个网络，其中每个观测值由 20 个特征组成。

inputsize = 20;
numclasses = 10;
layers = [
featureinputlayer(inputsize,'normalization','zscore')
fullyconnectedlayer(50)
batchnormalizationlayer
relulayer
fullyconnectedlayer(numclasses)
softmaxlayer
classificationlayer];
deepnetworkdesigner(layers)

要使此网络适应您自己的数据，请将特征输入层的 inputsize 设置为与数据中的特征数目匹配，并将全连接层的 outputsize 设置为与数据中的类数目匹配。对于更复杂的分类任务，请创建一个更深的网络。有关详细信息，请参阅深度网络。

要在深度网络设计器中使用表中的数据训练网络，必须首先将数据转换为合适的数据存储。例如，首先将您的表转换为包含预测变量和响应变量的数组。然后，将数组转换为 对象。最后，将预测变量和响应变量数组数据存储组合为一个 对象。然后，您可以使用合并数据存储在深度网络设计器中进行训练。有关详细信息，请参阅。您也可以通过将网络导出到工作区，使用表数据和 trainnetwork 函数对网络进行训练。

将分类网络转换为回归网络

通过替换网络的最终层，可以将分类网络转换为回归网络。当您要选取一个预训练的分类网络并对其进行重新训练以用于回归任务时，转换非常有用。

例如，假设您有一个 googlenet 预训练网络。要将此网络转换为具有单个响应的回归网络，请将最终全连接层、softmax 层和分类输出层替换为一个 outputsize 设置为 1（响应数量）的全连接层和一个回归层。

如果您的输出有多个响应，请将全连接层的 outputsize 值更改为响应数量。

多输入和多输出网络

深度网络

构建大型网络可能很困难，您可以使用深度网络设计器来加快构造速度。您可以一次处理多个层块。选择多个层，然后复制和粘贴或删除。例如，您可以使用层块来创建卷积、批量归一化和 relu 层组的多个副本。

对于经过训练的网络，复制层会同时复制权重和偏置。

您还可以从工作区复制子网络，以便使用该 app 轻松连接。要将网络或层导入 app 中，请点击新建 > 从工作区导入。点击添加将层添加到当前网络。

高级深度学习应用

您可以使用深度网络设计器为高级应用（如计算机视觉或图像处理任务）构建和训练网络。

inputsize = [32 32 1];
layers = [
    imageinputlayer(inputsize)
    convolution2dlayer([3,3],64,'padding',[1,1,1,1])
    relulayer
    maxpooling2dlayer([2,2],'stride',[2,2])
    convolution2dlayer([3,3],64,'padding',[1,1,1,1])
    relulayer
    transposedconv2dlayer([4,4],64,'stride',[2,2],'cropping',[1,1,1,1])
    convolution2dlayer([1,1],2)
    softmaxlayer
    pixelclassificationlayer
    ];
deepnetworkdesigner(layers) 

layers = unetlayers([28,28,1],2,'encoderdepth',2);
deepnetworkdesigner(layers);

将 dlnetwork 用于自定义训练循环

您可以使用深度网络设计器构建和分析 dlnetwork 对象。dlnetwork 对象支持使用自动微分的自定义训练循环。当内置训练选项未提供您的任务所需的训练选项时，请使用自定义训练循环。

要检查您的网络是否已准备好使用自定义训练循环进行训练，请点击分析 > 对 dlnetwork 进行分析。有关详细信息，请参阅检查网络。

深度网络设计器不支持使用自定义训练循环进行训练。要使用自定义训练循环训练网络，首先将网络导出到工作区，并将其转换为 dlnetwork 对象。然后，您可以使用 dlnetwork 对象和自定义训练循环来训练网络。有关详细信息，请参阅。

检查网络

要检查您的网络并进一步检查层，请在设计器选项卡上，点击分析。调查问题并检查层属性，以解决网络中的大小不匹配问题。返回到深度网络设计器以编辑层，然后通过再次点击分析检查结果。如果深度学习网络分析器报告零错误，则表示编辑过的网络已准备就绪，可以开始训练。

您还可以针对自定义训练工作流分析网络。点击分析 > 对 dlnetwork 进行分析，分析网络中 dlnetwork 对象的使用情况。例如，网络分析器 会检查层图是否未包含任何输出层。