گزینه های آموزشی

options = trainingOptions(solrName) گزینه های آموزشی را برای بهینه ساز مشخص شده توسط solverName برمی گرداند. برای آموزش یک شبکه، از گزینه های آموزشی به عنوان آرگومان ورودی تابع trainNetwork استفاده کنید.

options = trainingOptions(solrName, Name=Value) گزینه های آموزشی را با گزینه های اضافی مشخص شده توسط یک یا چند آرگومان name-value برمی گرداند.

مثال ها

گزینه های آموزشی را مشخص کنید

مجموعه ای از گزینه ها را برای آموزش شبکه با استفاده از نزول گرادیان تصادفی با تکانه ایجاد کنید. نرخ یادگیری را به میزان 0. 2 در هر 5 دوره کاهش دهید. حداکثر تعداد دوره ها را برای آموزش روی 20 تنظیم کنید و از یک مینی دسته با 64 مشاهده در هر تکرار استفاده کنید. طرح پیشرفت آموزش را روشن کنید.

نظارت بر پیشرفت آموزش یادگیری عمیق

این مثال نحوه نظارت بر فرآیند آموزش شبکه های یادگیری عمیق را نشان می دهد.

هنگامی که شبکه ها را برای یادگیری عمیق آموزش می دهید، نظارت بر پیشرفت آموزش اغلب مفید است. با ترسیم معیارهای مختلف در طول آموزش، می توانید نحوه پیشرفت آموزش را یاد بگیرید. به عنوان مثال، می توانید تعیین کنید که آیا و با چه سرعتی دقت شبکه بهبود می یابد، و اینکه آیا شبکه شروع به افزایش داده های آموزشی می کند یا خیر.

این مثال نحوه نظارت بر پیشرفت آموزش شبکه های آموزش دیده با استفاده از تابع trainNetwork را نشان می دهد. برای شبکه هایی که با استفاده از یک حلقه آموزشی سفارشی آموزش دیده اند، از یک شی trainingProgressMonitor برای ترسیم معیارها در طول آموزش استفاده کنید. برای اطلاعات بیشتر، به نظارت بر پیشرفت حلقه آموزشی سفارشی مراجعه کنید.

وقتی گزینه آموزش Plots را روی "training-progress" در trainingOptions تنظیم می کنید و آموزش شبکه را شروع می کنید، trainNetwork یک شکل ایجاد می کند و معیارهای آموزشی را در هر تکرار نمایش می دهد. هر تکرار تخمینی از گرادیان و به روز رسانی پارامترهای شبکه است. اگر داده های اعتبارسنجی را در trainingOptions مشخص کنید، هر بار که trainNetwork شبکه را تأیید می کند، شکل معیارهای اعتبارسنجی را نشان می دهد. شکل زیر را ترسیم می کند:

دقت آموزش - دقت طبقه بندی در هر مینی دسته جداگانه.

دقت تمرین هموار - دقت تمرین هموار، که با اعمال یک الگوریتم هموارسازی برای دقت تمرین به دست می آید. نسبت به دقت غیر هموار، سر و صدای کمتری دارد و تشخیص روندها را آسان تر می کند.

دقت اعتبارسنجی - دقت طبقه بندی در کل مجموعه اعتبارسنجی (مشخص شده با استفاده از trainingOptions).

از دست دادن آموزش ، از دست دادن آموزش صاف و از دست دادن اعتبار سنجی-از دست دادن هر مینی دسته ، نسخه صاف آن و ضرر در مجموعه اعتبار سنجی. اگر لایه نهایی شبکه شما یک طبقه بندی کننده است ، پس عملکرد از دست دادن از دست دادن آنتروپی متقاطع است. برای کسب اطلاعات بیشتر در مورد عملکردهای از دست دادن برای طبقه بندی و مشکلات رگرسیون ، به لایه های خروجی مراجعه کنید.

برای شبکه های رگرسیون ، شکل به جای دقت ، خطای میانگین مربع (RMSE) را ترسیم می کند.

شکل هر دوره تمرینی را با استفاده از پس زمینه سایه دار نشان می دهد. یک دوره یک گذر کامل از کل مجموعه داده ها است.

در حین آموزش ، می توانید با کلیک روی دکمه توقف در گوشه بالا سمت راست ، آموزش را متوقف کرده و وضعیت فعلی شبکه را برگردانید. به عنوان مثال ، ممکن است بخواهید وقتی صحت شبکه به یک فلات می رسد ، آموزش را متوقف کنید و مشخص است که دیگر صحت بهبود نمی یابد. بعد از کلیک بر روی دکمه Stop ، می تواند مدتی طول بکشد تا تمرین تمام شود. پس از اتمام آموزش ، Traietwork شبکه آموزش دیده را برمی گرداند.

هنگام اتمام تمرین ، نتایج را نشان می دهد که صحت اعتبارسنجی نهایی و دلیل پایان تمرین را نشان می دهد. اگر گزینه آموزش outputnetwork "آخرین تحول" (پیش فرض) باشد ، معیارهای نهایی با آخرین تکرار آموزش مطابقت دارند. اگر گزینه آموزش OutputNetwork "بهترین اعتبار از دست دادن" باشد ، معیارهای نهایی شده با تکرار با کمترین ضرر اعتبار سنجی مطابقت دارند. تکرار که از آن معیارهای اعتبار سنجی نهایی محاسبه می شود ، در توطئه ها نهایی می شود.

اگر شبکه شما حاوی لایه های عادی سازی دسته ای باشد ، معیارهای اعتبار سنجی نهایی می تواند با معیارهای اعتبار سنجی ارزیابی شده در طول آموزش متفاوت باشد. این امر به این دلیل است که میانگین و آمار واریانس مورد استفاده برای عادی سازی دسته ای می تواند پس از اتمام آموزش متفاوت باشد. به عنوان مثال ، اگر گزینه آموزش batchnormalizationStatisics "جمعیت" باشد ، پس از آموزش ، نرم افزار با عبور از داده های آموزش یک بار دیگر آمار عادی سازی دسته را نهایی می کند و از میانگین و واریانس حاصل استفاده می کند. اگر گزینه آموزش batchnormalizationStatisics "در حال حرکت" باشد ، این نرم افزار آمار را در حین آموزش با استفاده از یک برآورد در حال اجرا تقریب می دهد و از آخرین مقادیر آمار استفاده می کند.

در سمت راست ، اطلاعات مربوط به زمان آموزش و تنظیمات را مشاهده کنید. برای کسب اطلاعات بیشتر در مورد گزینه های آموزش ، به تنظیم پارامترها و آموزش شبکه عصبی Convolutional مراجعه کنید.

برای ذخیره نمودار پیشرفت آموزش، روی Export Training Plot در پنجره آموزشی کلیک کنید. می توانید طرح را به صورت فایل PNG، JPEG، TIFF یا PDF ذخیره کنید. همچنین می توانید نمودارهای منفرد از دست دادن، دقت و ریشه میانگین مربعات خطا را با استفاده از نوار ابزار محورها ذخیره کنید.

طرح پیشرفت آموزش در طول آموزش

یک شبکه را آموزش دهید و پیشرفت آموزش را در طول آموزش ترسیم کنید.

بارگذاری داده های آموزشی، که شامل 5000 تصویر از رقم است. 1000 تصویر را برای اعتبارسنجی شبکه کنار بگذارید.

شبکه ای برای طبقه بندی داده های تصویر رقمی بسازید.

گزینه هایی را برای آموزش شبکه مشخص کنید. برای اعتبارسنجی شبکه در فواصل زمانی منظم در طول آموزش، داده های اعتبارسنجی را مشخص کنید. مقدار ValidationFrequency را انتخاب کنید تا شبکه تقریباً یک بار در هر دوره اعتبار سنجی شود. برای ترسیم پیشرفت تمرین در حین آموزش، گزینه آموزش Plots را روی "training-progress" تنظیم کنید.