La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

dlarray

Arreglo de deep learning para personalización

Descripción

Un arreglo de deep learning almacena datos con etiquetas de formato opcionales de datos para bucles de entrenamiento personalizados y permite que las funciones calculen y usen derivadas a través de la diferenciación automática.

Sugerencia

Para la mayor parte de las tareas de deep learning, puede utilizar una red neuronal preentrenada y adaptarla a sus propios datos. Para ver un ejemplo de cómo usar la transferencia del aprendizaje para volver a entrenar una red neuronal convolucional para clasificar un nuevo conjunto de imágenes, consulte Retrain Neural Network to Classify New Images. Como alternativa, puede crear y entrenar redes neuronales desde cero usando las funciones trainnet y trainingOptions.

Si la función trainingOptions no proporciona las opciones de entrenamiento que necesita para la tarea, puede crear un bucle de entrenamiento personalizado mediante diferenciación automática. Para obtener más información, consulte Entrenar una red con un bucle de entrenamiento personalizado.

Si la función trainnet no proporciona la función de pérdida que necesita para la tarea, puede especificar una función de pérdida personalizada para trainnet como identificador de función. En el caso de las funciones de pérdida que requieren más entradas que las predicciones y los objetivos (por ejemplo, funciones de pérdida que requieren acceso a la red neuronal o entradas adicionales), entrene el modelo mediante un bucle de entrenamiento personalizado. Para obtener más información, consulte Entrenar una red con un bucle de entrenamiento personalizado.

Si Deep Learning Toolbox™ no proporciona las capas que necesita para la tarea, puede crear una capa personalizada. Para obtener más información, consulte Definir capas de deep learning personalizadas. Para los modelos que no se pueden especificar como redes de capas, puede definir el modelo como una función. Para obtener más información, consulte Train Network Using Model Function.

Para obtener más información sobre qué método de entrenamiento usar para cada tarea, consulte Train Deep Learning Model in MATLAB.

Creación

Sintaxis

dlX = dlarray(X)

dlX = dlarray(X,fmt)

dlX = dlarray(v,dim)

Descripción

dlX = dlarray(X) devuelve un objeto dlarray que representa X. Si X es un dlarray, dlX es una copia de X.

dlX = dlarray(X,fmt) formatea los datos de dlX con etiquetas de dimensión según el formato de los datos en fmt. Las etiquetas de dimensión ayudan a pasar datos de deep learning entre funciones. Para obtener más información sobre las etiquetas de dimensión, consulte Uso. Si X es un dlarray con formato, fmt reemplaza el formato existente.

dlX = dlarray(v,dim) acepta un vector v y un formato de un solo carácter dim, y devuelve un vector columna dlarray. La primera dimensión de dlX tiene la etiqueta de dimensión dim, y la segunda dimensión (única) tiene la etiqueta de dimensión 'U'.

Argumentos de entrada

X — Arreglo de datos

arreglo numérico del tipo de datos double o single | arreglo logical | objeto gpuArray | objeto dlarray

Arreglo de datos, especificado como un arreglo numérico del tipo de datos double o single, un arreglo logical, un objeto gpuArray o un objeto dlarray. X debe estar lleno, no disperso.

Ejemplo: rand(31*23,23)

Tipos de datos: single | double | logical
Soporte de números complejos: Sí

fmt — Formato de los datos

vector de caracteres | escalar de cadena

Formato de los datos, especificado como escalar de cadena o vector de caracteres. Cada carácter de la cadena debe ser una de las etiquetas de dimensión siguientes:

• "S": espacial

• "C": canal

• "B": lote

• "T": tiempo

• "U": sin especificar

Puede especificar varias dimensiones etiquetadas "S" o "U". Puede utilizar las etiquetas "C", "B" y "T" como mucho una vez. El software ignora las dimensiones únicas "U" restantes tras la segunda dimensión.

Cuando crea un objeto dlarray con formato, el software automáticamente permuta las dimensiones, de tal manera que las dimensiones del formato se encuentran en este orden:

• "S"

• "C"

• "B"

• "T"

• "U"

Por ejemplo, si especifica un formato de "TCB" (tiempo, canal, lote). el software automáticamente permuta las dimensiones para que tengan el formato "CBT" (canal, lote, tiempo).

fmt debe contener al menos el mismo número de etiquetas que el número de dimensiones de los datos de entrada. Si especifica más etiquetas de dimensión que el número de dimensiones de los datos de entrada, dlarray creará dimensiones vacías (únicas) para las etiquetas adicionales.

En la siguiente tabla se indican los formatos de datos recomendados para tipos de datos habituales.

Datos	Ejemplo
	Forma	Formato de los datos
Imágenes 2D	Arreglo numérico de h por w por c por n, donde h, w, c y n son la altura, la anchura, el número de canales de las imágenes y el número de observaciones, respectivamente.	"SSCB"
Imágenes 3D	Arreglo numérico de h por w por d por c por n, en el que h, w, d, c y n son la altura, la anchura, el número de canales de las imágenes y el número de observaciones de las imágenes, respectivamente.	"SSSCB"
Secuencias de vectores	Matriz de c por s por n, donde c es el número de características de la secuencia, s es la longitud de la secuencia y n es el número de observaciones de la secuencia.	"CTB"
Secuencias de imágenes 2D	Arreglo de h por w por c por s por n, donde h, w y c corresponden a la altura, la anchura y el número de canales de la imagen, respectivamente, s es la longitud de la secuencia y n es el número de observaciones de la secuencia de la imagen.	"SSCTB"
Secuencias de imágenes 3D	Arreglo de h por w por d por c por s por n, donde h, w, d y c corresponden a la altura, la anchura, la profundidad y el número de canales de la imagen, respectivamente, s es la longitud de la secuencia y n es el número de observaciones de la secuencia de la imagen.	"SSSCTB"
Características	Arreglo de c por n, donde c es el número de características y n es el número de observaciones.	"CB"

v — Vector de datos

Vector numérico del tipo de datos doble o simple | vector lógico | Objeto de vector dlarray

Vector de datos, especificado como un vector numérico de tipo de datos doble o simple, vector lógico u objeto de vector dlarray. Aquí, "vector" se refiere a cualquier arreglo con exactamente una dimensión no única.

Ejemplo: rand(100,1)

dim — Etiqueta de dimensión

carácter único

Etiqueta de dimensión, especificada como un solo carácter del tipo permitido para fmt.

Ejemplo: "S"

Ejemplo: 'S'

Argumentos de salida

dlX — Arreglo de deep learning

objeto dlarray

Arreglo de deep learning, devuelto como un objeto dlarray. dlX permite la diferenciación automática empleando dlgradient y dlfeval. Si proporciona el argumento fmt, dlX tiene etiquetas.

• Si X es un arreglo numérico o lógico, dlX contiene sus datos, posiblemente reordenados por el formato de los datos en fmt.

• Si X es un gpuArray, los datos en dlX también se encuentran en la GPU. Los cálculos subsiguientes empleando dlX se llevan a cabo en la GPU.

Uso

Los formatos de datos dlarray permiten ejecutar las funciones en la tabla siguiente con la seguridad de que los datos tienen la forma adecuada.

Función	Operación	Valida la dimensión de entrada	Afecta al tamaño de la dimensión de entrada
avgpool	Calcula el promedio de los datos de entrada sobre regiones espaciales rectangulares (o cúbicas) ('S') móviles definidas por un parámetro de tamaño de grupo.	'S'	'S'
batchnorm	Permite normalizar los valores contenidos en cada canal ('C') de los datos de entrada.	'C'
crossentropy	Permite calcular la entropía cruzada entre las estimaciones y los valores objetivo, promediada por el tamaño de la dimensión del lote ('B').	'S', 'C', 'B', 'T', 'U' (Las estimaciones y los arreglos objetivo deben tener el mismo tamaño).	'S', 'C', 'B', 'T', 'U' (La salida es un escalar sin formato).
dlconv	Permite calcular la convolución de deep learning de los datos de entrada utilizando un arreglo de filtros, coincidiendo con el número de dimensiones espaciales ('S') y (una función de las) dimensiones del canal ('C') de entrada y añadiendo un sesgo constante.	'S', 'C'	'S', 'C'
dltranspconv	Permite calcular la convolución traspuesta de deep learning de los datos de entrada utilizando un arreglo de filtros, coincidiendo con el número de dimensiones espaciales ('S') y (una función de las) dimensiones del canal ('C') de entrada y añadiendo un sesgo constante.	'S', 'C'	'S', 'C'
fullyconnect	Permite calcular una suma ponderada de los datos de entrada y aplicar un sesgo para la dimensión de cada lote ('B') y tiempo ('T').	'S', 'C', 'U'	'S', 'C', 'B', 'T', 'U' (La salida siempre tiene el formato de datos 'CB', 'CT' o 'CTB').
gru	Permite aplicar un cálculo de unidad recurrente cerrada a los datos de entrada.	'S', 'C', 'T'	'C'
lstm	Permite aplicar un cálculo de memoria de corto-largo plazo a los datos de entrada.	'S', 'C', 'T'	'C'
maxpool	Permite calcular el máximo de los datos de entrada sobre regiones espaciales ('S') rectangulares en movimiento definidas por un parámetro de tamaño de grupo.	'S'	'S'
maxunpool	Permite calcular la operación de desagrupar las dimensiones espaciales ('S').	'S'	'S'
mse	Permite calcular el error cuadrático medio a la mitad entre las estimaciones y los valores objetivo, promediado por el tamaño de la dimensión del lote ('B').	'S', 'C', 'B', 'T', 'U' (Las estimaciones y los arreglos objetivo deben tener el mismo tamaño).	'S', 'C', 'B', 'T', 'U' (La salida es un escalar sin formato).
softmax	Permite aplicar la activación softmax a cada canal ('C') de los datos de entrada.	'C'

Estas dimensiones requieren que cada dimensión tenga una etiqueta. Puede especificar el formato de etiqueta de dimensión proporcionando la primera entrada como un dlarray con formato o utilizando el argumento de nombre-valor 'DataFormat' de la función.

dlarray aplica el orden de la etiqueta de dimensión de 'SCBTU'. Esta operación elimina la semántica ambigua en las operaciones que emparejan implícitamente las etiquetas entre entradas. dlarray también hace que las etiquetas de dimensión 'C', 'B' y 'T' solo puedan aparecer como máximo una vez cada una. Las funciones que usan estas etiquetas de dimensión aceptan como máximo una dimensión para cada etiqueta.

dlarray proporciona funciones para obtener el formato de datos asociado con un dlarray (dims), eliminar el formato de datos (stripdims) y obtener las dimensiones asociadas con etiquetas de dimensión concretas (finddim).

Para obtener más información sobre cómo funciona dlarray con formatos, consulte Notable dlarray Behaviors.

Funciones del objeto

avgpool	Pool data to average values over spatial dimensions
batchnorm	Normalize data across all observations for each channel independently
crossentropy	Cross-entropy loss for classification tasks
dims	Etiquetas de dimensión de dlarray
dlconv	Deep learning convolution
dlgradient	Compute gradients for custom training loops using automatic differentiation
dltranspconv	Deep learning transposed convolution
extractdata	Extraer datos de dlarray
finddim	Find dimensions with specified label
fullyconnect	Sum all weighted input data and apply a bias
gru	Gated recurrent unit
leakyrelu	Apply leaky rectified linear unit activation
lstm	Memoria de corto-largo plazo
maxpool	Pool data to maximum value
maxunpool	Unpool the output of a maximum pooling operation
mse	Error cuadrático medio dividido
relu	Aplicar la activación de unidad lineal rectificada
sigmoid	Aplicar la activación sigmoide
softmax	Apply softmax activation to channel dimension
stripdims	Remove dlarray data format

Un dlarray también permite funciones para operaciones numéricas, de matrices y de otros tipos. Puede consultar la lista completa en List of Functions with dlarray Support.

Ejemplos

Crear un dlarray sin formato

Cree un dlarray sin formato a partir de una matriz.

X = randn(3,5);
dlX = dlarray(X)

dlX = 
  3x5 dlarray

    0.5377    0.8622   -0.4336    2.7694    0.7254
    1.8339    0.3188    0.3426   -1.3499   -0.0631
   -2.2588   -1.3077    3.5784    3.0349    0.7147

Crear un dlarray con formato

Cree un dlarray que tenga un formato de datos que contenga las etiquetas de dimensión 'S' y 'C'.

X = randn(3,5);
dlX = dlarray(X,'SC')

dlX = 
  3(S) x 5(C) dlarray

    0.5377    0.8622   -0.4336    2.7694    0.7254
    1.8339    0.3188    0.3426   -1.3499   -0.0631
   -2.2588   -1.3077    3.5784    3.0349    0.7147

Si especifica las etiquetas de dimensión en el orden inverso, dlarray reordena implícitamente los datos subyacentes.

dlX = dlarray(X,'CS')

dlX = 
  5(S) x 3(C) dlarray

    0.5377    1.8339   -2.2588
    0.8622    0.3188   -1.3077
   -0.4336    0.3426    3.5784
    2.7694   -1.3499    3.0349
    0.7254   -0.0631    0.7147

Crear un vector de dlarray con formato

Cree un vector de dlarray con la primera etiqueta de dimensión 'T'. La segunda etiqueta de dimensión, que dlarray crea de forma automática, es 'U'.

X = randn(6,1);
dlX = dlarray(X,'T')

dlX = 
  6(T) x 1(U) dlarray

    0.5377
    1.8339
   -2.2588
    0.8622
    0.3188
   -1.3077

Si especifica un vector fila para X, dlarray reordena implícitamente el resultado para que sea un vector columna.

X = X';
dlX = dlarray(X,'T')

dlX = 
  6(T) x 1(U) dlarray

    0.5377
    1.8339
   -2.2588
    0.8622
    0.3188
   -1.3077

Sugerencias

• Una llamada de dlgradient debe estar dentro de una función. Para obtener un valor numérico de un gradiente, debe evaluar la función utilizando dlfeval y el argumento de la función debe ser un dlarray. Consulte Use Automatic Differentiation In Deep Learning Toolbox.

• Para permitir la evaluación correcta de los gradientes, dlfeval debe llamar a funciones que solo usen funciones compatibles con dlarray. Consulte List of Functions with dlarray Support.

Capacidades ampliadas

Generación de código C/C++

Genere código C y C++ mediante MATLAB® Coder™.

Notas y limitaciones de uso:

Para obtener recomendaciones de uso y una lista de funciones con soporte de generación de código de dlarray, consulte Code Generation for dlarray (MATLAB Coder). Para ver un ejemplo que muestra cómo utilizar objetos dlnetwork y dlarray para generar MEX para una red de codificador automático variacional (VAE) entrenada, consulte Generate Digit Images Using Variational Autoencoder on Intel CPUs (MATLAB Coder).

Para conocer las limitaciones de generación de código de dlarray, consulte dlarray Limitations for Code Generation (MATLAB Coder).

Generación de código de GPU

Genere código CUDA® para GPU NVIDIA® mediante GPU Coder™.

Notas y limitaciones de uso:

Para obtener recomendaciones de uso y una lista de funciones con soporte de generación de código de dlarray, consulte Code Generation for dlarray (GPU Coder). Para ver un ejemplo que muestra cómo utilizar objetos dlnetwork y dlarray para generar CUDA^® MEX para una red de codificador automático variacional (VAE) entrenada, consulte Generate Digit Images on NVIDIA GPU Using Variational Autoencoder (GPU Coder).

Para conocer las limitaciones de generación de código de dlarray, consulte dlarray Limitations for Code Generation (GPU Coder).

Arreglos GPU

Acelere código mediante la ejecución en una unidad de procesamiento gráfico (GPU) mediante Parallel Computing Toolbox™.

Esta función es totalmente compatible con los arreglos de GPU. Para obtener más información, consulte Run MATLAB Functions on a GPU (Parallel Computing Toolbox).

Historial de versiones

Introducido en R2019b

R2022b: Cambio en el comportamiento de la generación de código para las entradas y salidas de dlarray

En la versión R2022b, el código generado crea estructuras para las entradas y salidas de dlarray de las funciones de punto de entrada. Data es un campo público al que puede acceder directamente.

En versiones anteriores, el código generado utiliza una clase para representar las entradas y salidas de dlarray de las funciones de punto de entrada. En estas versiones, se utiliza la función de inicialización init para acceder al campo Data.

Consulte también

dlgradient | dlfeval | dlnetwork | finddim | dims | stripdims

Temas

• Train Generative Adversarial Network (GAN)
• Entrenar una red con un bucle de entrenamiento personalizado
• Define Custom Training Loops, Loss Functions, and Networks
• Automatic Differentiation Background
• Use Automatic Differentiation In Deep Learning Toolbox
• List of Functions with dlarray Support