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.

SeriesNetwork

Red en serie de deep learning

Descripción

Una red en serie es una red neuronal de deep learning con capas dispuestas una detrás de otra. Tiene una única capa de entrada y una sola capa de salida.

Creación

Hay varias formas de crear un objeto SeriesNetwork:

• Cargue una red preentrenada con alexnet, darknet19, vgg16 o vgg19. Para ver un ejemplo, consulte Cargar una red neuronal convolucional AlexNet preentrenada.

• Entrene o ajuste una red usando trainNetwork. Para ver un ejemplo, consulte Entrenar la red para clasificar imágenes.

• Importe una red preentrenada de TensorFlow™-Keras, Caffe o del formato de modelos ONNX™ (Open Neural Network Exchange).

  • Si selecciona un modelo Keras, utilice importKerasNetwork. Para ver un ejemplo, consulte Import and Plot Keras Network.

  • Si selecciona un modelo Caffe, utilice importCaffeNetwork. Para ver un ejemplo, consulte Import Caffe Network.

  • Si selecciona un modelo ONNX, utilice importONNXNetwork. Para ver un ejemplo, consulte Import ONNX Network as DAGNetwork.

• Cree una red de deep learning a partir de capas preentrenadas usando la función assembleNetwork.

Nota

Para obtener información sobre otras redes preentrenadas, como googlenet y resnet50, consulte Redes neuronales profundas preentrenadas.

Propiedades

Layers — Capas de red

arreglo Layer

Esta propiedad o parámetro es de solo lectura.

Capas de la red, especificadas como un arreglo Layer.

InputNames — Nombres de las capas de entrada de la red

arreglo de celdas de vectores de caracteres

Esta propiedad o parámetro es de solo lectura.

Nombres de las capas de entrada de la red, especificados como un arreglo de celdas de vectores de caracteres.

Tipos de datos: cell

OutputNames — Nombres de las capas de salida de la red

arreglo de celdas

Nombres de las capas de salida de la red, especificados como un arreglo de celdas de vectores de caracteres.

Tipos de datos: cell

Funciones del objeto

activations	Calcular las activaciones de las capas de una red de deep learning
classify	Classify data using trained deep learning neural network
predict	Predict responses using trained deep learning neural network
predictAndUpdateState	Predict responses using a trained recurrent neural network and update the network state
classifyAndUpdateState	Classify data using a trained recurrent neural network and update the network state
resetState	Reset state parameters of neural network
plot	Representar una arquitectura de red neuronal

Ejemplos

Cargar una red neuronal convolucional AlexNet preentrenada

Cargue una red neuronal convolucional AlexNet preentrenada y examine las capas y clases.

Cargue la red AlexNet preentrenada mediante alexnet. La salida net es un objeto SeriesNetwork.

net = alexnet

net = 
  SeriesNetwork with properties:

    Layers: [25×1 nnet.cnn.layer.Layer]

Con la propiedad Layers, visualice la arquitectura de red. La red consta de 25 capas. Hay ocho capas con pesos que pueden aprenderse: cinco capas convolucionales y tres capas totalmente conectadas.

net.Layers

ans = 
  25x1 Layer array with layers:

     1   'data'     Image Input                   227x227x3 images with 'zerocenter' normalization
     2   'conv1'    Convolution                   96 11x11x3 convolutions with stride [4  4] and padding [0  0  0  0]
     3   'relu1'    ReLU                          ReLU
     4   'norm1'    Cross Channel Normalization   cross channel normalization with 5 channels per element
     5   'pool1'    Max Pooling                   3x3 max pooling with stride [2  2] and padding [0  0  0  0]
     6   'conv2'    Grouped Convolution           2 groups of 128 5x5x48 convolutions with stride [1  1] and padding [2  2  2  2]
     7   'relu2'    ReLU                          ReLU
     8   'norm2'    Cross Channel Normalization   cross channel normalization with 5 channels per element
     9   'pool2'    Max Pooling                   3x3 max pooling with stride [2  2] and padding [0  0  0  0]
    10   'conv3'    Convolution                   384 3x3x256 convolutions with stride [1  1] and padding [1  1  1  1]
    11   'relu3'    ReLU                          ReLU
    12   'conv4'    Grouped Convolution           2 groups of 192 3x3x192 convolutions with stride [1  1] and padding [1  1  1  1]
    13   'relu4'    ReLU                          ReLU
    14   'conv5'    Grouped Convolution           2 groups of 128 3x3x192 convolutions with stride [1  1] and padding [1  1  1  1]
    15   'relu5'    ReLU                          ReLU
    16   'pool5'    Max Pooling                   3x3 max pooling with stride [2  2] and padding [0  0  0  0]
    17   'fc6'      Fully Connected               4096 fully connected layer
    18   'relu6'    ReLU                          ReLU
    19   'drop6'    Dropout                       50% dropout
    20   'fc7'      Fully Connected               4096 fully connected layer
    21   'relu7'    ReLU                          ReLU
    22   'drop7'    Dropout                       50% dropout
    23   'fc8'      Fully Connected               1000 fully connected layer
    24   'prob'     Softmax                       softmax
    25   'output'   Classification Output         crossentropyex with 'tench' and 999 other classes

Puede ver los nombres de las clases que la red ha aprendido visualizando la propiedad Classes de la capa de clasificación de salida (la última capa). Para visualizar las 10 primeras clases, seleccione los primeros 10 elementos.

net.Layers(end).Classes(1:10)

ans = 10×1 categorical array
     tench 
     goldfish 
     great white shark 
     tiger shark 
     hammerhead 
     electric ray 
     stingray 
     cock 
     hen 
     ostrich 

Importar capas desde la red Caffe

Especifique el archivo de ejemplo 'digitsnet.prototxt' para empezar.

protofile = 'digitsnet.prototxt';

Importe las capas de la red.

layers = importCaffeLayers(protofile)

layers = 

  1x7 Layer array with layers:

     1   'testdata'   Image Input             28x28x1 images
     2   'conv1'      Convolution             20 5x5x1 convolutions with stride [1  1] and padding [0  0]
     3   'relu1'      ReLU                    ReLU
     4   'pool1'      Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0]
     5   'ip1'        Fully Connected         10 fully connected layer
     6   'loss'       Softmax                 softmax
     7   'output'     Classification Output   crossentropyex with 'class1', 'class2', and 8 other classes

Entrenar la red para clasificar imágenes

Cargue los datos como un objeto ImageDatastore.

digitDatasetPath = fullfile(matlabroot,'toolbox','nnet', ...
    'nndemos','nndatasets','DigitDataset');
imds = imageDatastore(digitDatasetPath, ...
    'IncludeSubfolders',true, ...
    'LabelSource','foldernames');

El almacén de datos contiene 10.000 imágenes sintéticas con dígitos del 0 al 9. Las imágenes se generan aplicando transformaciones al azar a imágenes de dígitos creadas con diferentes fuentes. Cada imagen de dígito tiene 28 por 28 píxeles. El almacén de datos contiene la misma cantidad de imágenes por categoría.

Muestre algunas de las imágenes del almacén de datos.

figure
numImages = 10000;
perm = randperm(numImages,20);
for i = 1:20
    subplot(4,5,i);
    imshow(imds.Files{perm(i)});
    drawnow;
end

Divida el almacén de datos de forma que cada categoría del conjunto de entrenamiento contenga 750 imágenes y el conjunto de prueba contenga el resto de las imágenes de cada etiqueta.

numTrainingFiles = 750;
[imdsTrain,imdsTest] = splitEachLabel(imds,numTrainingFiles,'randomize');

splitEachLabel divide los archivos de imagen de digitData en dos nuevos almacenes de datos, imdsTrain y imdsTest.

Defina la arquitectura de la red neuronal convolucional.

layers = [ ...
    imageInputLayer([28 28 1])
    convolution2dLayer(5,20)
    reluLayer
    maxPooling2dLayer(2,'Stride',2)
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];

Establezca la configuración predeterminada de las opciones del gradiente descendente estocástico con momento. Establezca el número máximo de épocas en 20 y comience el entrenamiento con una tasa de aprendizaje inicial de 0,0001.

options = trainingOptions('sgdm', ...
    'MaxEpochs',20,...
    'InitialLearnRate',1e-4, ...
    'Verbose',false, ...
    'Plots','training-progress');

Entrene la red.

net = trainNetwork(imdsTrain,layers,options);

Ejecute la red entrenada en el conjunto de pruebas, que no se ha utilizado para entrenar la red, y prediga las etiquetas de imagen (dígitos).

YPred = classify(net,imdsTest);
YTest = imdsTest.Labels;

Calcule la precisión. La precisión es la relación entre el número de etiquetas verdaderas de los datos de prueba que coinciden con las clasificaciones de classify y el número de imágenes de los datos de prueba.

accuracy = sum(YPred == YTest)/numel(YTest)

accuracy = 0.9400

Capacidades ampliadas

Generación de código C/C++

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

Notas y limitaciones de uso:

• Únicamente son compatibles las funciones de objeto activations, classify, predict, predictAndUpdateState, classifyAndUpdateState y resetState.

• Para crear un objeto SeriesNetwork para la generación de código, consulte Load Pretrained Networks for Code Generation (MATLAB Coder).

Generación de código de GPU

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

Notas y limitaciones de uso:

• Únicamente son compatibles las funciones de objeto activations, classify, predict, predictAndUpdateState, classifyAndUpdateState y resetState.

• Para crear un objeto SeriesNetwork para la generación de código, consulte Load Pretrained Networks for Code Generation (GPU Coder).

Historial de versiones

Introducido en R2016a

Consulte también

alexnet | vgg16 | vgg19 | darknet19 | importCaffeNetwork | trainNetwork | trainingOptions | DAGNetwork | analyzeNetwork | assembleNetwork | plot | classify | predict

Temas

• Crear una red neuronal de deep learning sencilla para clasificación
• Entrenar una red neuronal convolucional para regresión
• Clasificación de secuencias mediante deep learning
• Deep learning en MATLAB
• Specify Layers of Convolutional Neural Network
• Define Custom Deep Learning Layers
• Redes neuronales de memoria de corto-largo plazo

×

Abrir ejemplo

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

No, sobrescribir la versión modificada Sí