képzésOpciók

A mély tanulási idegháló képzésének lehetőségei

Szintaxis

Leírás

options = trainingOptions (solverName) a solverName által megadott optimalizáló képzési lehetőségeit adja vissza. Hálózat képzéséhez használja a képzési lehetőségeket a trainNetwork függvény bemeneti argumentumaként.

options = trainingOptions (solverName, Name, Value) egy vagy több név-érték pár argumentum által megadott további opciókkal tér vissza a képzési lehetőségekhez.

Példák

Adja meg az edzési lehetőségeket

Hozzon létre egy sor opciót a hálózat képzéséhez a sztochasztikus gradiens ereszkedés és lendület segítségével. Csökkentse a tanulási arányt 0,2-szerese minden 5 korszakban. Állítsa be az edzéskorszakok maximális számát 20-ra, és használjon egy mini-köteget 64 megfigyeléssel minden iterációnál. Kapcsolja be az edzés előrehaladását.

Figyelje a mély tanulási edzés előrehaladását

Amikor hálózatokat képez a mély tanuláshoz, gyakran hasznos figyelemmel kísérni a képzés előrehaladását. Ha a képzés során különféle mutatókat rajzol ki, megismerheti, hogyan halad a képzés. Például meghatározhatja, hogy a hálózat pontossága javul-e és milyen gyorsan, valamint hogy a hálózat kezd-e túlteljesíteni az edzési adatokat.

Amikor a „Training-progress” értéket adja meg a „Plots” értékként a trainingOptions alkalmazásban, és elindítja a hálózati képzést, a trainNetwork létrehoz egy ábrát, és minden egyes iteráción megjeleníti az edzés mutatóit. Minden iteráció a gradiens becslése és a hálózati paraméterek frissítése. Ha érvényesítési adatokat ad meg a trainingOptions alkalmazásban, akkor az ábra érvényesítési mutatókat mutat be minden alkalommal, amikor a trainNetwork hitelesíti a hálózatot. Az ábra a következőket ábrázolja:

Edzés pontossága - Osztályozási pontosság minden egyes mini tételnél.

Simított edzéspontosság - Simított edzéspontosság, amelyet simítási algoritmus alkalmazásával kapunk az edzés pontosságára. Kevésbé zajos, mint a sima pontosság, megkönnyítve a trendek észlelését.

Ellenőrzési pontosság - Osztályozási pontosság a teljes validációs készleten (a trainingOptions használatával határozható meg).

Edzésvesztés, simított edzésvesztés, és érvényesítési veszteség - Az egyes mini-kötegek veszteségei, azok simított verziói, illetve az érvényesítési készlet veszteségei. Ha a hálózat utolsó rétege egy osztályozási réteg, akkor a veszteségfüggvény a kereszt entrópia veszteség. További információt az osztályozási és regressziós problémák veszteségfüggvényeiről lásd: Kimeneti rétegek.

A regressziós hálózatok esetében az ábra a pontosság helyett a négyzet alapértelmezett hibáját (RMSE) ábrázolja.

Az ábra jelzi az egyes edzéskorokat árnyékolt háttér használatával. Egy korszak egy teljes áthaladás a teljes adathalmazon.

Edzés közben leállíthatja az edzést és visszatérhet a hálózat aktuális állapotához a jobb felső sarokban található Stop gombra kattintva. Például érdemes abbahagyni az edzést, amikor a hálózat pontossága eléri a fennsíkot, és egyértelmű, hogy a pontosság már nem javul. A Stop gombra kattintás után eltarthat egy ideig, amíg a képzés befejeződik. A képzés befejezése után a trainNetwork visszaadja a betanított hálózatot.

Amikor a képzés befejeződik, tekintse meg az Eredményeket bemutatva a végső validálási pontosságot és a képzés befejezésének okát. A végső validálási mutatók végső címkével vannak ellátva a parcellákon. Ha hálózata kötegelt normalizálási rétegeket tartalmaz, akkor a végső ellenőrzési mutatók gyakran eltérnek a képzés során értékelt validációs mutatóktól. Ennek oka, hogy a végső hálózat kötegelt normalizálási rétegei más műveleteket hajtanak végre, mint az edzés során.

A jobb oldalon megtekintheti az edzés idejére és beállításaira vonatkozó információkat. A képzési lehetőségekről további információt a Paraméterek beállítása és a konvolúciós ideghálózat képzése című témakörben talál.

A képzési folyamat előrehaladása a képzés során

Képezzen egy hálózatot, és rajzolja meg az edzés során elért haladást.

Töltse be az edzésadatokat, amelyek 5000 képjegyet tartalmaznak. Tegyen félre 1000 képet a hálózati ellenőrzéshez.

Hozzon létre egy hálózatot a számjegyű képadatok osztályozásához.

Adja meg a hálózati képzés lehetőségeit. A hálózat rendszeres időközönként történő érvényesítéséhez az edzés során adjon meg érvényesítési adatokat. Válassza ki a 'ValidationFrequency' értéket, hogy a hálózat korszakonként körülbelül egyszer érvényesüljön. Az edzés közbeni előrehaladás ábrázolásához adja meg a „képzés-haladás” értéket „Plots” értékként.