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.

activations

Calcular las activaciones de las capas de una red de deep learning

Sintaxis

act = activations(net,images,layer)

act = activations(net,sequences,layer)

act = activations(net,features,layer)

act = activations(net,X1,...,XN,layer)

act = activations(net,mixed,layer)

act = activations(___,Name=Value)

Descripción

Puede calcular las activaciones de las capas de una red de deep learning tanto en una CPU como en una GPU. Utilizar una GPU requiere Parallel Computing Toolbox™ y un dispositivo GPU compatible. Para obtener información sobre los dispositivos compatibles, consulte GPU Computing Requirements (Parallel Computing Toolbox). Especifique los requisitos de hardware mediante el argumento nombre-valor ExecutionEnvironment.

Para calcular activaciones mediante una SeriesNetwork o una DAGNetwork entrenadas, use la función activations. Para calcular activaciones de un objeto dlnetwork, use la función forward o predict, y especifique la opción Outputs.

act = activations(net,images,layer) devuelve las activaciones de red para la capa con nombre o número layer mediante las imágenes especificadas.

act = activations(net,sequences,layer) devuelve las activaciones de red para la capa mediante las secuencias especificadas.

act = activations(net,features,layer) devuelve las activaciones de red para la capa mediante los datos de características especificadas.

act = activations(net,X1,...,XN,layer) devuelve las activaciones de red para la capa mediante los datos de los arreglos numéricos o de celdas X1, …, XN para la red con varias entradas net. La entrada Xi corresponde a la entrada de la red net.InputNames(i).

act = activations(net,mixed,layer) devuelve las activaciones de red para la capa mediante la red entrenada net con varias entradas de tipos de datos mezclados.

act = activations(___,Name=Value) devuelve activaciones de red con opciones adicionales especificadas por uno o más argumentos de par nombre-valor. Por ejemplo, OutputAs="rows" especifica el formato de salida de la activación como "rows". Use esta sintaxis con cualquiera de los argumentos de entrada de las sintaxis anteriores. Especifique los argumentos nombre-valor después del resto de los argumentos de entrada.

Ejemplos

Extracción de características con SqueezeNet

Este ejemplo muestra cómo extraer características de imagen aprendidas de una red neuronal convolucional preentrenada y cómo utilizar esas características para entrenar un clasificador de imágenes.

La extracción de características es la forma más rápida y sencilla de utilizar la capacidad de representación de las redes profundas preentrenadas. Por ejemplo, puede entrenar una máquina de vectores de soporte (SVM) utilizando fitcecoc (Statistics and Machine Learning Toolbox™) en las características extraídas. Como la extracción de características solo requiere una única pasada por los datos, es un buen punto de partida si no tiene una GPU con la que acelerar el entrenamiento de la red.

Cargar datos

Descomprima y cargue las imágenes de muestra como un almacén de datos de imágenes. imageDatastore etiqueta de forma automática las imágenes basándose en los nombres de las carpetas y almacena los datos como un objeto ImageDatastore. Un almacén de datos de imágenes permite almacenar un gran volumen de datos de imágenes, incluidos los que no caben en la memoria. Divida los datos en un 70% de datos de entrenamiento y un 30% de datos de prueba.

unzip("MerchData.zip");

imds = imageDatastore("MerchData", ...
    IncludeSubfolders=true, ...
    LabelSource="foldernames");

[imdsTrain,imdsTest] = splitEachLabel(imds,0.7,"randomized");

Este pequeño conjunto de datos ahora tiene 55 imágenes de entrenamiento y 20 imágenes de validación. Visualice algunas imágenes de muestra.

numImagesTrain = numel(imdsTrain.Labels);
idx = randperm(numImagesTrain,16);

I = imtile(imds,"Frames",idx);

figure
imshow(I)

Cargar una red preentrenada

Cargue una red SqueezeNet preentrenada. SqueezeNet se ha entrenado con más de un millón de imágenes y puede clasificar imágenes en 1000 categorías de objetos, por ejemplo, teclado, ratón, lápiz y muchos animales. Como resultado, el modelo ha aprendido representaciones ricas en características para una amplia gama de imágenes.

net = squeezenet;

Analice la arquitectura de red.

analyzeNetwork(net)

La primera capa, la de entrada de imágenes, requiere imágenes de entrada de un tamaño de 227 por 227 por 3, donde 3 es el número de canales de color.

inputSize = net.Layers(1).InputSize

inputSize = 1×3

   227   227     3

Extraer características de imágenes

La red construye una representación jerárquica de las imágenes de entrada. Las capas más profundas contienen características de nivel más alto construidas con las características de nivel más bajo de capas anteriores. Para obtener las representaciones de las características de las imágenes de entrenamiento y de prueba, utilice activations en la capa de agrupación promedio global "pool10". Para obtener una representación de nivel más bajo de las imágenes, utilice una capa anterior de la red.

La red requiere imágenes de entrada de un tamaño de 227 por 227 por 3, pero las imágenes de los almacenes de datos de imágenes tienen diferentes tamaños. Para cambiar automáticamente el tamaño de las imágenes de entrenamiento y de prueba antes de introducirlas en la red, cree almacenes de datos de imágenes aumentados, especifique el tamaño de imagen deseado y utilice estos almacenes de datos como argumentos de entrada de activations.

augimdsTrain = augmentedImageDatastore(inputSize(1:2),imdsTrain);
augimdsTest = augmentedImageDatastore(inputSize(1:2),imdsTest);

layer = "pool10";
featuresTrain = activations(net,augimdsTrain,layer,OutputAs="rows");
featuresTest = activations(net,augimdsTest,layer,OutputAs="rows");

Extraiga las etiquetas de clase de los datos de entrenamiento y de prueba.

TTrain = imdsTrain.Labels;
TTest = imdsTest.Labels;

Ajustar el clasificador de imágenes

Utilice las características extraídas de las imágenes de entrenamiento como variables predictoras y ajuste una máquina de vectores de soporte (SVM) multiclase con fitcecoc (Statistics and Machine Learning Toolbox).

mdl = fitcecoc(featuresTrain,TTrain);

Clasificar imágenes de prueba

Clasifique las imágenes de prueba con el modelo de SVM entrenado y las características extraídas de las imágenes de prueba.

YPred = predict(mdl,featuresTest);

Muestre cuatro imágenes de prueba de muestra con etiquetas predichas.

idx = [1 5 10 15];
figure
for i = 1:numel(idx)
    subplot(2,2,i)
    I = readimage(imdsTest,idx(i));
    label = YPred(idx(i));
    
    imshow(I)
    title(label)
end

Calcule la precisión de clasificación en el conjunto de prueba. La precisión es la fracción de etiquetas que la red predice correctamente.

accuracy = mean(YPred == TTest)

accuracy = 0.9500

Esta SVM tiene una precisión alta. Si la precisión no es lo suficientemente alta utilizando la extracción de características, pruebe la transferencia del aprendizaje en su lugar.

Argumentos de entrada

net — Red entrenada

objeto SeriesNetwork | objeto DAGNetwork

Red entrenada, especificada como un objeto SeriesNetwork o DAGNetwork. Puede obtener una red entrenada importando una red preentrenada (por ejemplo, utilizando la función googlenet) o entrenando su propia red mediante trainNetwork.

images — Datos de imágenes

almacén de datos | Arreglo numérico | tabla

Datos de imágenes, especificados como una de las siguientes opciones:

Tipo de datos		Descripción	Ejemplo de uso
Almacén de datos	ImageDatastore	Almacén de datos de imágenes guardadas en disco	Hacer predicciones con imágenes guardadas en disco, donde las imágenes tienen el mismo tamaño. Si las imágenes tienen diferentes tamaños, use un objeto AugmentedImageDatastore.
	AugmentedImageDatastore	Almacén de datos que aplica transformaciones geométricas afines aleatorias, incluyendo cambio de tamaño, rotación, reflexión, estiramiento y traslación	Hacer predicciones con imágenes guardadas en disco, donde las imágenes tienen distinto tamaño.
	TransformedDatastore	Almacén de datos que transforma lotes de datos leídos de un almacén de datos subyacente mediante una función de transformación personalizada	Transformar almacenes de datos con salidas no compatibles con activations. Aplicar transformaciones personalizadas a la salida del almacén de datos.
	CombinedDatastore	Almacén de datos que lee de dos o más almacenes de datos subyacentes	Hacer predicciones mediante redes con varias entradas. Combinar predictores de diferentes fuentes de datos.
	Almacén de datos de minilotes personalizado	Almacén de datos personalizado que devuelve minilotes de datos	Hacer predicciones usando datos en un formato no compatible con otros almacenes de datos. Para obtener más detalles, consulte Develop Custom Mini-Batch Datastore.
Arreglo numérico		Imágenes especificadas como arreglo numérico	Hacer predicciones usando datos que quepan en la memoria y no requieran procesamiento adicional, como un cambio de tamaño.
Tabla		Imágenes especificadas como tabla	Hacer predicciones usando datos guardados en una tabla.

Cuando utiliza un almacén de datos con redes con varias entradas, el almacén de datos debe ser un objeto TransformedDatastore o CombinedDatastore.

Sugerencia

Para secuencias de imágenes, por ejemplo, datos de vídeo, use el argumento de entrada sequences.

Almacén de datos

Los almacenes de datos leen minilotes de imágenes y respuestas. Use almacenes de datos cuando tenga datos que no caben en la memoria o cuando quiera cambiar el tamaño de los datos de entrada.

Estos almacenes de datos son directamente compatibles con activations para datos de imágenes:

• ImageDatastore

• AugmentedImageDatastore

• CombinedDatastore

• TransformedDatastore

• Almacén de datos de minilotes personalizado. Para obtener más detalles, consulte Develop Custom Mini-Batch Datastore.

Tenga en cuenta que los objetos ImageDatastore permiten leer lotes de archivos de imágenes JPG o PNG mediante precarga. Si utiliza una función personalizada para leer las imágenes, los objetos ImageDatastore no realizan la precarga.

Sugerencia

Use augmentedImageDatastore para preprocesar eficiente de las imágenes para deep learning, incluyendo el cambio de tamaño de las imágenes.

No use la opción readFcn de la función imageDatastore para preprocesar o cambiar el tamaño, ya que esta opción suele ser bastante más lenta.

Puede utilizar otros almacenes de datos integrados para hacer predicciones mediante las funciones transform y combine. Estas funciones pueden convertir los datos leídos de almacenes de datos al formato requerido por classify.

El formato requerido de la salida del almacén de datos depende de la arquitectura de red.

Arquitectura de red	Salida del almacén de datos	Ejemplo de salida
Entrada única	Tabla o arreglo de celdas, donde la primera columna especifica los predictores. Los elementos de la tabla deben ser escalares, vectores fila o arreglos de celdas de 1 por 1 que contengan un arreglo numérico. Los almacenes de datos personalizados deben producir tablas como salida.	data = read(ds) data = 4×1 table Predictors __________________ {224×224×3 double} {224×224×3 double} {224×224×3 double} {224×224×3 double}
		data = read(ds) data = 4×1 cell array {224×224×3 double} {224×224×3 double} {224×224×3 double} {224×224×3 double}
Varias entradas	Arreglo de celdas con al menos numInputs columnas, donde numInputs es el número de entradas de red. Las primeras numInputs columnas especifican los predictores de cada entrada. El orden de las entradas se indica mediante la propiedad InputNames de la red.	data = read(ds) data = 4×2 cell array {224×224×3 double} {128×128×3 double} {224×224×3 double} {128×128×3 double} {224×224×3 double} {128×128×3 double} {224×224×3 double} {128×128×3 double}

El formato de los predictores depende del tipo de datos.

Datos	Formato
Imágenes 2D	Arreglo numérico de h por w por c, donde h, w y c son la altura, la anchura y el número de canales de las imágenes, respectivamente
Imágenes 3D	Arreglo numérico de h por w por d por c, donde h, w, d y c son la altura, la anchura, la profundidad y el número de canales de las imágenes, respectivamente

Para obtener más información, consulte Datastores for Deep Learning.

Arreglo numérico

Para datos que quepan en la memoria y no requieran procesamiento adicional, como aumento, puede especificar un conjunto de datos de imágenes como arreglo numérico.

El tamaño y la forma del arreglo numérico dependen del tipo de datos de imágenes.

Datos	Formato
Imágenes 2D	Arreglo numérico de h por w por c por N, en el que h, w y c son la altura, la anchura y el número de canales de las imágenes, respectivamente, y N es el número de imágenes
Imágenes 3D	Arreglo numérico de h por w por d por c por N, en el que h, w, d y c son la altura, la anchura, la profundidad y el número de canales de las imágenes, respectivamente, y N es el número de imágenes

Tabla

Como alternativa a los almacenes de datos o arreglos numéricos, también puede especificar imágenes en una tabla.

Cuando especifica imágenes en una tabla, cada fila de la tabla corresponde a una observación.

Para entradas de imagen, los predictores deben estar en la primera columna de la tabla, especificados como una de las siguientes opciones:

• Ruta de archivo absoluta o relativa a una imagen, especificada como vector de caracteres.

• Arreglo de celdas de 1 por 1 con un arreglo numérico de h por w por c que represente una imagen 2D, donde h, w y c corresponden a la altura, la anchura y el número de canales de la imagen, respectivamente.

Sugerencia

Para introducir datos de valores complejos en una red, la opción SplitComplexInputs de la capa de entrada debe ser 1.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | table
Soporte de números complejos: Sí

sequences — Secuencia o datos de series de tiempo

almacén de datos | arreglo de celdas de arreglos numéricos | Arreglo numérico

Secuencia o datos de series de tiempo, especificados como una de las siguientes opciones:

Tipo de datos		Descripción	Ejemplo de uso
Almacén de datos	TransformedDatastore	Almacén de datos que transforma lotes de datos leídos de un almacén de datos subyacente mediante una función de transformación personalizada	Transformar almacenes de datos con salidas no compatibles con activations. Aplicar transformaciones personalizadas a la salida del almacén de datos.
	CombinedDatastore	Almacén de datos que lee de dos o más almacenes de datos subyacentes	Hacer predicciones mediante redes con varias entradas. Combinar predictores de diferentes fuentes de datos.
	Almacén de datos de minilotes personalizado	Almacén de datos personalizado que devuelve minilotes de datos	Hacer predicciones usando datos en un formato no compatible con otros almacenes de datos. Para obtener más detalles, consulte Develop Custom Mini-Batch Datastore.
Arreglo numérico o de celdas		Una única secuencia especificada como arreglo numérico o un conjunto de datos de secuencias especificado como arreglo de celdas de arreglos numéricos	Hacer predicciones usando datos que quepan en la memoria y no requieran procesamiento adicional, como transformaciones personalizadas.

Almacén de datos

Los almacenes de datos leen minilotes de secuencias y respuestas. Use almacenes de datos cuando tenga datos que no caben en la memoria o cuando quiera aplicar transformaciones a los datos.

Estos almacenes de datos son directamente compatibles con activations para datos secuenciales:

• CombinedDatastore

• TransformedDatastore

• Almacén de datos de minilotes personalizado. Para obtener más detalles, consulte Develop Custom Mini-Batch Datastore.

Puede utilizar otros almacenes de datos integrados para hacer predicciones mediante las funciones transform y combine. Estas funciones pueden convertir los datos leídos de almacenes de datos al formato de tabla o arreglo de celdas requerido por activations. Por ejemplo, puede transformar y combinar datos leídos de arreglos en memoria y archivos CVS mediante un objeto ArrayDatastore y un objeto TabularTextDatastore, respectivamente.

El almacén de datos debe devolver datos en una tabla o arreglo de celdas. Los almacenes de datos de minilotes personalizados deben producir tablas como salida.

Salida del almacén de datos	Ejemplo de salida
Tabla	data = read(ds) data = 4×2 table Predictors __________________ {12×50 double} {12×50 double} {12×50 double} {12×50 double}
Arreglo de celdas	data = read(ds) data = 4×2 cell array {12×50 double} {12×50 double} {12×50 double} {12×50 double}

El formato de los predictores depende del tipo de datos.

Datos	Formato de los predictores
Secuencia de vector	Matriz de c por s, donde c es el número de características de la secuencia y s es la longitud de la secuencia
Secuencia de imágenes 1D	Arreglo de h por c por s, donde h y c corresponden a la altura y el número de canales de la imagen, respectivamente, y s es la longitud de la secuencia. Cada secuencia del minilote debe tener la misma longitud de secuencia.
Secuencia de imágenes 2D	Arreglo de h por w por c por s, donde h, w y c corresponden a la altura, la anchura y el número de canales de la imagen, respectivamente, y s es la longitud de la secuencia. Cada secuencia del minilote debe tener la misma longitud de secuencia.
Secuencia de imágenes 3D	Arreglo de h por w por d por c por s, donde h, w, d y c corresponden a la altura, la anchura, la profundidad y el número de canales de la imagen, respectivamente, y s es la longitud de la secuencia. Cada secuencia del minilote debe tener la misma longitud de secuencia.

Para predictores devueltos en tablas, los elementos deben contener un escalar numérico, un vector fila numérico o un arreglo de celdas de 1 por 1 con un arreglo numérico.

Para obtener más información, consulte Datastores for Deep Learning.

Arreglo numérico o de celdas

Para datos que quepan en la memoria y no requieran procesamiento adicional, como transformaciones personalizadas, puede especificar una única secuencia como arreglo numérico o un conjunto de datos de secuencias como un arreglo de celdas de arreglos numéricos.

Para entradas en forma de arreglo de celdas, el arreglo de celdas debe ser un arreglo de celdas de N por 1 de arreglos numéricos, donde N es el número de observaciones. El tamaño y la forma del arreglo numérico que representa una secuencia depende del tipo de datos secuenciales.

Entrada	Descripción
Secuencias de vector	Matrices de c por s, donde c es el número de características de las secuencias y s es la longitud de la secuencia
Secuencias de imágenes 1D	Arreglos de h por c por s, donde h y c corresponden a la altura y el número de canales de las imágenes, respectivamente, y s es la longitud de la secuencia
Secuencias de imágenes 2D	Arreglos de h por w por c por s, donde h, w y c corresponden a la altura, la anchura y el número de canales de las imágenes, respectivamente, y s es la longitud de la secuencia
Secuencias de imágenes 3D	Arreglos de h por w por d por c por s, donde h, w, d y c corresponden a la altura, la anchura, la profundidad y el número de canales de las imágenes 3D, respectivamente, y s es la longitud de la secuencia

Sugerencia

Para introducir datos de valores complejos en una red, la opción SplitComplexInputs de la capa de entrada debe ser 1.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | cell
Soporte de números complejos: Sí

features — Datos de características

almacén de datos | Arreglo numérico | tabla

Datos de características, especificados como una de las siguientes opciones:

Tipo de datos		Descripción	Ejemplo de uso
Almacén de datos	TransformedDatastore	Almacén de datos que transforma lotes de datos leídos de un almacén de datos subyacente mediante una función de transformación personalizada	Transformar almacenes de datos con salidas no compatibles con activations. Aplicar transformaciones personalizadas a la salida del almacén de datos.
	CombinedDatastore	Almacén de datos que lee de dos o más almacenes de datos subyacentes	Hacer predicciones mediante redes con varias entradas. Combinar predictores de diferentes fuentes de datos.
	Almacén de datos de minilotes personalizado	Almacén de datos personalizado que devuelve minilotes de datos	Hacer predicciones usando datos en un formato no compatible con otros almacenes de datos. Para obtener más detalles, consulte Develop Custom Mini-Batch Datastore.
Tabla		Datos de características especificados como una tabla	Hacer predicciones usando datos guardados en una tabla.
Arreglo numérico		Datos de características especificados como un arreglo numérico	Hacer predicciones usando datos que quepan en la memoria y no requieran procesamiento adicional, como transformaciones personalizadas.

Almacén de datos

Los almacenes de datos leen minilotes de datos de características y respuestas. Use almacenes de datos cuando tenga datos que no caben en la memoria o cuando quiera aplicar transformaciones a los datos.

Estos almacenes de datos son directamente compatibles con activations para datos de características:

• CombinedDatastore

• TransformedDatastore

• Almacén de datos de minilotes personalizado. Para obtener más detalles, consulte Develop Custom Mini-Batch Datastore.

Puede utilizar otros almacenes de datos integrados para hacer predicciones mediante las funciones transform y combine. Estas funciones pueden convertir los datos leídos de almacenes de datos al formato de tabla o arreglo de celdas requerido por activations. Para obtener más información, consulte Datastores for Deep Learning.

Para redes con varias entradas, el almacén de datos debe ser un objeto TransformedDatastore o CombinedDatastore.

El almacén de datos debe devolver datos en una tabla o arreglo de celdas. Los almacenes de datos de minilotes personalizados deben producir tablas como salida. El formato de la salida del almacén de datos depende de la arquitectura de red.

Arquitectura de red	Salida del almacén de datos	Ejemplo de salida
Capa de entrada única	Tabla o arreglo de celdas con al menos una columna, donde la primera columna especifica los predictores. Los elementos de la tabla deben ser escalares, vectores fila o arreglos de celdas de 1 por 1 que contengan un arreglo numérico. Los almacenes de datos de minilotes personalizados deben producir tablas como salida.	Tabla para red con una entrada: data = read(ds) data = 4×2 table Predictors __________________ {24×1 double} {24×1 double} {24×1 double} {24×1 double}
		Arreglo de celdas para red con una entrada: data = read(ds) data = 4×1 cell array {24×1 double} {24×1 double} {24×1 double} {24×1 double}
Capas de entrada múltiples	Arreglo de celdas con al menos numInputs columnas, donde numInputs es el número de entradas de red. Las primeras numInputs columnas especifican los predictores de cada entrada. El orden de las entradas se indica mediante la propiedad InputNames de la red.	Arreglo de celdas para red con dos entradas: data = read(ds) data = 4×3 cell array {24×1 double} {28×1 double} {24×1 double} {28×1 double} {24×1 double} {28×1 double} {24×1 double} {28×1 double}

Los predictores deben ser vectores columna de c por 1, donde c es el número de características.

Para obtener más información, consulte Datastores for Deep Learning.

Tabla

Para datos de características que quepan en la memoria y no requieran procesamiento adicional, como transformaciones personalizadas, puede especificar datos de características y respuestas como una tabla.

Cada fila de la tabla corresponde a una observación. La disposición de los predictores en las columnas de la tabla depende del tipo de tarea.

Tarea	Predictores
Clasificación de características	Características especificadas en una o más columnas como escalares.

Arreglo numérico

Para datos de características que quepan en la memoria y no requieran procesamiento adicional, como transformaciones personalizadas, puede especificar datos de características como un arreglo numérico.

El arreglo numérico debe ser un arreglo numérico de N por numFeatures, donde N es el número de observaciones y numFeatures es el número de características de los datos de entrada.

Sugerencia

Para introducir datos de valores complejos en una red, la opción SplitComplexInputs de la capa de entrada debe ser 1.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | table
Soporte de números complejos: Sí

X1,...,XN — Arreglos numéricos o de celdas para redes con varias entradas

Arreglo numérico | arreglo de celdas

Arreglos numéricos o de celdas para redes con varias entradas.

Para entradas de predictor de imagen, secuencia y característica, el formato de los predictores debe coincidir con los formatos descritos en las descripciones de los argumentos images, sequences o features, respectivamente.

Para ver un ejemplo de cómo entrenar una red con varias entradas, consulte Train Network on Image and Feature Data.

Para introducir datos de valores complejos en una red, la opción SplitComplexInputs de la capa de entrada debe ser 1.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | cell
Soporte de números complejos: Sí

mixed — Datos mezclados

TransformedDatastore | CombinedDatastore | almacén de datos de minilotes personalizado

Datos mezclados, especificados como una de las siguientes opciones:

Tipo de datos	Descripción	Ejemplo de uso
TransformedDatastore	Almacén de datos que transforma lotes de datos leídos de un almacén de datos subyacente mediante una función de transformación personalizada	Hacer predicciones mediante redes con varias entradas. Transformar salidas de almacenes de datos no compatibles con activations para que tengan el formato requerido. Aplicar transformaciones personalizadas a la salida del almacén de datos.
CombinedDatastore	Almacén de datos que lee de dos o más almacenes de datos subyacentes	Hacer predicciones mediante redes con varias entradas. Combinar predictores de diferentes fuentes de datos.
Almacén de datos de minilotes personalizado	Almacén de datos personalizado que devuelve minilotes de datos	Hacer predicciones usando datos en un formato no compatible con otros almacenes de datos. Para obtener más detalles, consulte Develop Custom Mini-Batch Datastore.

Puede utilizar otros almacenes de datos integrados para hacer predicciones mediante las funciones transform y combine. Estas funciones pueden convertir los datos leídos de almacenes de datos al formato de tabla o arreglo de celdas requerido por activations. Para obtener más información, consulte Datastores for Deep Learning.

El almacén de datos debe devolver datos en una tabla o arreglo de celdas. Los almacenes de datos de minilotes personalizados deben producir tablas como salida. El formato de la salida del almacén de datos depende de la arquitectura de red.

Salida del almacén de datos	Ejemplo de salida
Arreglo de celdas con numInputs columnas, donde numInputs es el número de entradas de red. El orden de las entradas se indica mediante la propiedad InputNames de la red.	data = read(ds) data = 4×3 cell array {24×1 double} {28×1 double} {24×1 double} {28×1 double} {24×1 double} {28×1 double} {24×1 double} {28×1 double}

Para entradas de predictor de imagen, secuencia y característica, el formato de los predictores debe coincidir con los formatos descritos en las descripciones de los argumentos images, sequences o features, respectivamente.

Para ver un ejemplo de cómo entrenar una red con varias entradas, consulte Train Network on Image and Feature Data.

Sugerencia

Para convertir un arreglo numérico a un almacén de datos, use arrayDatastore.

layer — Capa de la que extraer activaciones

índice numérico | vector de caracteres

Capa de la que extraer activaciones, especificada como un índice numérico o un vector de caracteres.

Para calcular activaciones de un objeto SeriesNetwork, especifique la capa mediante su índice numérico o como un vector de caracteres correspondiente al nombre de la capa.

Para calcular activaciones de un objeto DAGNetwork, especifique la capa como el vector de caracteres correspondiente al nombre de la capa. Si la capa cuenta con varias salidas, especifique la capa y la salida como nombre de la capa, seguido por el carácter "/", seguido por el nombre de la salida de la capa. Es decir, layer tiene el formato 'layerName/outputName'.

Ejemplo: 3

Ejemplo: 'conv1'

Ejemplo: 'mpool/out'

Argumentos de par nombre-valor

Especifique pares de argumentos opcionales como Name1=Value1,...,NameN=ValueN, donde Name es el nombre del argumento y Value es el valor correspondiente. Los argumentos de nombre-valor deben aparecer después de otros argumentos. Sin embargo, el orden de los pares no importa.

En las versiones anteriores a la R2021a, use comas para separar cada nombre y valor, y encierre Name entre comillas.

Ejemplo: MiniBatchSize=256 especifica el tamaño de minilote como 256.

OutputAs — Formato de las activaciones de salida

"channels" (predeterminado) | "rows" | "columns"

Formato de las activaciones de salida, especificado como "channels", "rows" o "columns". Para ver descripciones de los formatos de salida, consulte act.

Para entradas de imagen, si la opción OutputAs es "channels", las imágenes de los datos de entrada pueden ser mayores que el tamaño de entrada de la capa de entrada de imagen de la red. Para otros formatos de salida, el tamaño de las imágenes de la entrada debe coincidir con el tamaño de entrada de la capa de entrada de imagen de la red.

MiniBatchSize — Tamaño de los minilotes

128 (predeterminado) | entero positivo

Tamaño de los minilotes utilizados durante la predicción, especificado como un entero positivo. Un tamaño de minilote mayor requiere más memoria, pero puede proporcionar predicciones más rápidas.

SequenceLength — Opción para rellenar o truncar secuencias

"longest" (predeterminado) | "shortest" | entero positivo

Opción para rellenar, truncar o dividir secuencias de entrada, especificada como una de las siguientes opciones:

• "longest": rellenar secuencias en cada minilote para tener la misma longitud que la secuencia más larga. Esta opción no descarta ningún dato, aunque el relleno puede introducir ruido a la red.

• "shortest": truncar secuencias en cada minilote para tener la misma longitud que la secuencia más corta. Esta opción garantiza que no se añade relleno, a costa de descartar datos.

• Entero positivo: para cada minilote, rellenar las secuencias hasta el múltiplo más cercano a la longitud especificada que sea mayor que la mayor longitud de secuencia del minilote y, después, dividir las secuencias en secuencias más pequeñas de la longitud especificada. Si se produce la división, el software crea minilotes adicionales. Utilice esta opción si las secuencias completas no caben en la memoria. Como alternativa, intente reducir el número de secuencias por minilote ajustando la opción MiniBatchSize a un valor inferior.

Para obtener más información sobre el efecto del relleno, el truncado y la división de las secuencias de entrada, consulte Relleno, truncamiento y división de secuencias.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | char | string

SequencePaddingValue — Valor para rellenar secuencias

0 (predeterminado) | escalar

Valor con el que rellenar secuencias de entrada, especificado como un escalar.

La opción solo es válida cuando SequenceLength es "longest" o un entero positivo. No rellene secuencias con NaN, porque haciéndolo se pueden propagar errores por la red.

Tipos de datos: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

SequencePaddingDirection — Dirección de relleno o truncado

"right" (predeterminado) | "left"

Dirección de relleno o truncado, especificada como una de las siguientes opciones:

• "right": rellenar o truncar secuencias a la derecha. Las secuencias comienzan en la misma unidad de tiempo y el software trunca o añade relleno al final de las secuencias.

• "left": rellenar o truncar secuencias a la izquierda. El software trunca o añade relleno al principio de las secuencias para que dichas secuencias finalicen en la misma unidad de tiempo.

Dado que las capas recurrentes procesan los datos secuenciales en una unidad de tiempo cada vez, cuando la propiedad OutputMode de la capa recurrente es 'last', cualquier relleno en las unidades de tiempo finales puede influir negativamente en la salida de la capa. Para rellenar o truncar datos secuenciales a la izquierda, establezca la opción SequencePaddingDirection en "left".

En el caso de redes secuencia a secuencia (cuando la propiedad OutputMode es 'sequence' para cada capa recurrente), cualquier relleno en las primeras unidades de tiempo puede influir negativamente en las predicciones para unidades de tiempo anteriores. Para rellenar o truncar datos secuenciales a la derecha, establezca la opción SequencePaddingDirection en "right".

Para obtener más información sobre el efecto del relleno, el truncado y la división de las secuencias de entrada, consulte Relleno, truncamiento y división de secuencias.

Acceleration — Optimización de rendimiento

"auto" (predeterminado) | "mex" | "none"

Optimización de rendimiento, especificada como una de las siguientes opciones:

• "auto": aplicar automáticamente un número de optimizaciones adecuado para la red de entrada y los recursos de hardware.

• "mex": compilar y ejecutar una función MEX. Esta opción solo está disponible cuando usa una GPU. Utilizar una GPU requiere Parallel Computing Toolbox y un dispositivo GPU compatible. Para obtener información sobre los dispositivos compatibles, consulte GPU Computing Requirements (Parallel Computing Toolbox). Si no está disponible Parallel Computing Toolbox o una GPU adecuada, el software devuelve un error.

• "none": deshabilitar toda la aceleración.

Si Acceleration es "auto", MATLAB^® aplica un número de optimizaciones compatibles y no genera una función MEX.

Las opciones "auto" y "mex" pueden ofrecer beneficios de rendimiento a costa de un mayor tiempo de ejecución inicial. Las siguientes llamadas con parámetros compatibles son más rápidas. Utilice la optimización de rendimiento cuando planee llamar a la función varias veces con nuevos datos de entrada.

La opción "mex" genera y ejecuta una función MEX basada en la red y en parámetros utilizados en la llamada a la función. Puede tener varias funciones MEX asociadas a una única red al mismo tiempo. Borrando la variable de red también se borra cualquier función MEX asociada a esa red.

La opción "mex" está disponible cuando usa una única GPU.

Para usar la opción "mex", debe tener instalado un compilador C/C++ y el paquete de soporte GPU Coder™ Interface for Deep Learning Libraries. Instale el paquete de soporte usando Add-On Explorer en MATLAB. Para obtener instrucciones de configuración, consulte MEX Setup (GPU Coder). No se requiere GPU Coder.

La opción "mex" es compatible con redes que contienen las capas que aparecen en la página Supported Layers (GPU Coder), excepto los objetos sequenceInputLayer y featureInputLayer.

MATLAB Compiler™ no es compatible con el despliegue de redes cuando utiliza la opción "mex".

ExecutionEnvironment — Recurso de hardware

"auto" (predeterminado) | "gpu" | "cpu" | "multi-gpu" | "parallel"

Recurso de hardware, especificado como una de las siguientes opciones:

• "auto": usar una GPU si hay alguna disponible; si no, usar la CPU.

• "gpu": usar la GPU. Utilizar una GPU requiere Parallel Computing Toolbox y un dispositivo GPU compatible. Para obtener información sobre los dispositivos compatibles, consulte GPU Computing Requirements (Parallel Computing Toolbox). Si no está disponible Parallel Computing Toolbox o una GPU adecuada, el software devuelve un error.

• "cpu": usar la CPU.

• "multi-gpu": usar varias GPU en una máquina, usando un grupo paralelo local basado en su perfil de cluster predeterminado. Si no hay grupo paralelo actual, el software inicia un grupo paralelo con un tamaño de grupo idéntico al número de GPU disponibles.

• "parallel": usar un grupo paralelo local o remoto basado en su perfil de cluster predeterminado. Si no hay grupo paralelo actual, el software inicia uno mediante el perfil de cluster predeterminado. Si el grupo tiene acceso a varias GPU, solo workers con una GPU única realizan el cálculo. Si el grupo no tiene varias GPU, en su lugar el cálculo se realiza en todos los workers de las CPU disponibles.

Para obtener más información sobre cuándo utilizar los diferentes entornos de ejecución, consulte Scale Up Deep Learning in Parallel, on GPUs, and in the Cloud.

Las opciones "gpu", "multi-gpu" y "parallel" requieren Parallel Computing Toolbox. Para utilizar una GPU para deep learning, debe también disponer de un dispositivo GPU compatible. Para obtener información sobre los dispositivos compatibles, consulte GPU Computing Requirements (Parallel Computing Toolbox). Si elige una de estas opciones y Parallel Computing Toolbox o una GPU adecuada no está disponible, el software devuelve un error.

Para hacer predicciones en paralelo con redes con capas recurrentes (estableciendo ExecutionEnvironment en "multi-gpu" o "parallel"), la opción SequenceLength debe ser "shortest" o "longest".

Las redes con capas personalizadas que contienen parámetros State no son compatibles con hacer predicciones en paralelo.

Argumentos de salida

act — Activaciones desde la capa de red

Arreglo numérico | arreglo de celdas

Activaciones desde la capa de red, devueltas como un arreglo numérico o un arreglo de celdas de arreglos numéricos. El formato de act depende del tipo de datos de entrada, del tipo de salida de la capa y de la opción OutputAs especificada.

Salida secuencial plegada o de imágenes

Si la capa produce como salida datos secuenciales plegados o de imágenes, act es un arreglo numérico.

OutputAs	act
"channels"	Para salida de imágenes 2D, act es un arreglo de h por w por c por n, donde h, w y c son la altura, la anchura y el número de canales para la salida de la capa escogida, respectivamente, y n es el número de imágenes. En este caso, act(:,:,:,i) contiene las activaciones para la i-ésima imagen. Para salida de imágenes 3D, act es un arreglo de h por w por d por c por n, donde h, w, d y c son la altura, la anchura, la profundidad y el número de canales para la salida de la capa escogida, respectivamente, y n es el número de imágenes. En este caso, act(:,:,:,:,i) contiene las activaciones para la i-ésima imagen. Para salida secuencial plegada de imágenes 2D, act es un arreglo de h por w por c por (n*s), donde h, w y c son la altura, la anchura y el número de canales para la salida de la capa escogida, respectivamente, n es el número de secuencias, y s es la longitud de la secuencia. En este caso, act(:,:,:,(t-1)*n+k) contiene las activaciones para la unidad de tiempo t de la k-ésima secuencia. Para salida secuencial plegada de imágenes 3D, act es un arreglo de h por w por d por c por (n*s), donde h, w, d y c son la altura, la anchura, la profundidad y el número de canales para la salida de la capa escogida, respectivamente, n es el número de secuencias, y s es la longitud de la secuencia. En este caso, act(:,:,:,:,(t-1)*n+k) contiene las activaciones para la unidad de tiempo t de la k-ésima secuencia.
"rows"	Para salida de imágenes 2D y 3D, act es una matriz de n por m, donde n es el número de imágenes y m es el número de elementos de salida de la capa. En este caso, act(i,:) contiene las activaciones para la i-ésima imagen. Para salida secuencial plegada de imágenes 2D y 3D, act es una matriz de (n*s) por m, donde n es el número de secuencias, s es la longitud de la secuencia y m es el número de elementos de salida de la capa. En este caso, act((t-1)*n+k,:) contiene las activaciones para la unidad de tiempo t de la k-ésima secuencia.
"columns"	Para salida de imágenes 2D y 3D, act es una matriz de m por n, donde m es el número de elementos de salida de la capa escogida y n es el número de imágenes. En este caso, act(:,i) contiene las activaciones para la i-ésima imagen. Para salida secuencial plegada de imágenes 2D y 3D, act es una matriz de m por (n*s), donde m es el número de elementos de salida de la capa escogida, n es el número de secuencias y s es la longitud de la secuencia. En este caso, act(:,(t-1)*n+k) contiene las activaciones para la unidad de tiempo t de la k-ésima secuencia.

Salida secuencial

Si layer tiene salida secuencial (por ejemplo, capas de LSTM con el modo de salida "sequence"), act es un arreglo de celdas. En este caso, la opción "OutputAs" debe ser "channels".

OutputAs

act

"channels"

Para salida secuencial de vector, act es un arreglo de celdas de n por 1 de matrices de c por s, donde n es el número de secuencias, c es el número de características de la secuencia y s es la longitud de la secuencia. Para salida secuencial de imágenes 2D, act es un arreglo de celdas de n por 1 de matrices de h por w por c por s, donde n es el número de secuencias, h, w y c son la altura, la anchura y el número de canales de las imágenes, respectivamente, y s es la longitud de la secuencia. Para salida secuencial de imágenes 3D, act es un arreglo de celdas de n por 1 de matrices de h por w por c por d por s, donde n es el número de secuencias, h, w, d y c son la altura, la anchura, la profundidad y el número de canales de las imágenes, respectivamente, y s es la longitud de la secuencia. En estos casos, act{i} contiene las activaciones de la i-ésima secuencia.

Salida de vector de características y unidad de tiempo única

Si layer produce como salida un vector de características o una unidad de tiempo única de una secuencia (por ejemplo, una capa de LSTM con el modo de salida "last"), act es un arreglo numérico.

OutputAs	act
"channels"	Para un vector de características o una unidad de tiempo única que contiene datos de vector, act es una matriz de c por n, donde n es el número de observaciones y c es el número de características. Para una unidad de tiempo única que contiene datos de imágenes 2D, act es un arreglo de h por w por c por n, donde n es el número de secuencias y h, w, y c son la altura, la anchura y el número de canales de las imágenes, respectivamente. Para una unidad de tiempo única que contiene datos de imágenes 3D, act es un arreglo de h por w por c por d por n, donde n es el número de secuencias y h, w, d, y c son la altura, la anchura, la profundidad y el número de canales de las imágenes, respectivamente.
"rows"	Matriz de n por m, donde n es el número de observaciones y m es el número de elementos de salida de la capa escogida. En este caso, act(i,:) contiene las activaciones para la i-ésima secuencia.
"columns"	Matriz de m por n, donde m es el número de elementos de salida de la capa escogida y n es el número de observaciones. En este caso, act(:,i) contiene las activaciones para la i-ésima imagen.

Algoritmos

Cuando entrena una red mediante la función trainNetwork o cuando usa las funciones de predicción o validación con objetos DAGNetwork y SeriesNetwork, el software realiza estos cálculos utilizando aritmética de precisión simple y de coma flotante. Las funciones para entrenamiento, predicción y validación incluyen trainNetwork, predict, classify y activations. El software utiliza aritmética de precisión simple cuando entrena redes usando tanto las CPU como las GPU.

Referencias

[1] Kudo, Mineichi, Jun Toyama, and Masaru Shimbo. “Multidimensional Curve Classification Using Passing-through Regions.” Pattern Recognition Letters 20, no. 11–13 (November 1999): 1103–11. https://doi.org/10.1016/S0167-8655(99)00077-X.

[2] UCI Machine Learning Repository: Japanese Vowels Dataset. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels.

Capacidades ampliadas

Generación de código C/C++

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

Notas y limitaciones de uso:

• La generación de código C++ es compatible con las siguientes sintaxis:

  • act = activations(net,images,layer), donde images es un arreglo numérico

  • act = activations(net,sequences,layer), donde sequences es un arreglo de celdas

  • act = activations(net,features,layer), donde features es un arreglo numérico

  • act = activations(__,Name,Value) utilizando cualquiera de las sintaxis anteriores

• Para entradas numéricas, la entrada no debe tener tamaño variable. El tamaño de la entrada debe estar fijado en el momento de la generación de código.

• Para entradas secuenciales de vector, el número de características debe ser una constante durante la generación de código. La longitud de la secuencia puede tener un tamaño variable.

• Para entradas secuenciales de imágenes, la altura, la anchura y el número de canales deben ser una constante durante la generación de código.

• El argumento layer debe ser una constante durante la generación de código.

• Solo los argumentos de par nombre-valor OutputAs, MiniBatchSize, SequenceLength, SequencePaddingDirection y SequencePaddingValue son compatibles con la generación de código. Todos los pares nombre-valor deben ser constantes en tiempo de compilación.

• El formato de las activaciones de salida debe ser "channels".

• Solo las opciones "longest" y "shortest" del par nombre-valor SequenceLength son compatibles con la generación de código.

• La generación de código para el objetivo de Intel^® MKL-DNN no es compatible con la combinación de argumentos nombre-valor SequenceLength="longest", SequencePaddingDirection="left" y SequencePaddingValue=0.

Para obtener información sobre generar código para redes neuronales de deep learning, consulte Workflow for Deep Learning Code Generation with MATLAB Coder (MATLAB Coder).

Generación de código de GPU

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

Notas y limitaciones de uso:

• La generación de código GPU es compatible con las siguientes sintaxis:

  • act = activations(net,images,layer), donde images es un arreglo numérico

  • act = activations(net,sequences,layer), donde sequences es un arreglo de celdas o un arreglo numérico

  • act = activations(net,features,layer), donde features es un arreglo numérico

  • act = activations(__,Name,Value) utilizando cualquiera de las sintaxis anteriores

• Para entradas numéricas, la entrada no debe tener tamaño variable. El tamaño de la entrada debe estar fijado en el momento de la generación de código.

• La generación de código GPU no es compatible con entradas gpuArray a la función activations.

• La biblioteca cuDNN es compatible con secuencias de vector y de imágenes 2D. La biblioteca TensorRT es solo compatible con secuencia de entrada de vector. La ARM^® Compute Library para GPU no es compatible con redes recurrentes.

• Para entradas secuenciales de vector, el número de características debe ser una constante durante la generación de código. La longitud de la secuencia puede tener un tamaño variable.

• Para entradas secuenciales de imágenes, la altura, la anchura y el número de canales deben ser una constante durante la generación de código.

• El argumento layer debe ser una constante durante la generación de código.

• Solo los argumentos de par nombre-valor OutputAs, MiniBatchSize, SequenceLength, SequencePaddingDirection y SequencePaddingValue son compatibles con la generación de código. Todos los pares nombre-valor deben ser constantes en tiempo de compilación.

• El formato de las activaciones de salida debe ser "channels".

• Solo las opciones "longest" y "shortest" del par nombre-valor SequenceLength son compatibles con la generación de código.

• La generación de código GPU para la función activations es compatible con entradas definidas como tipo de datos de precisión media y como flotante. Para obtener más información, consulte half (GPU Coder).

Arreglos GPU

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

• La opción ExecutionEnvironment debe ser "auto" o "gpu" cuando los datos de entrada son:

  • Un gpuArray

  • Un arreglo de celdas que contiene objetos gpuArray

  • Una tabla que contiene objetos gpuArray

  • Un almacén de datos que produce como salida arreglos de celdas que contienen objetos gpuArray

  • Un almacén de datos que produce como salida tablas que contienen objetos gpuArray

Para obtener más información, consulte Run MATLAB Functions on a GPU (Parallel Computing Toolbox).

Historial de versiones

Introducido en R2016a

Consulte también

predict | classify | deepDreamImage | trainNetwork

Temas

• Transferencia del aprendizaje mediante una red preentrenada
• Visualize Activations of a Convolutional Neural Network
• Visualizar activaciones de redes de LSTM
• Deep Learning in MATLAB

×

Abrir ejemplo

Tiene una versión modificada de este ejemplo. ¿Desea abrir este ejemplo con sus modificaciones?

No, sobrescribir la versión modificada Sí