trainingOptions

Opciones para entrenar una red neuronal de deep learning

Sintaxis

options = trainingOptions(solverName)

options = trainingOptions(solverName,Name=Value)

Descripción

options = trainingOptions(solverName) devuelve opciones de entrenamiento para el optimizador especificado por solverName. Para entrenar una red neuronal, use las opciones de entrenamiento como un argumento de entrada para la función trainnet.

options = trainingOptions(solverName,Name=Value) devuelve opciones de entrada con opciones adicionales especificadas por uno o más argumentos nombre-valor.

Ejemplos

Especificar las opciones de entrenamiento

Cree un conjunto de opciones para entrenar una red mediante gradiente descendente estocástico con momento. Reduzca la tasa de aprendizaje por un factor de 0.2 cada 5 épocas. Establezca el número máximo de épocas para entrenamiento en 20 y use un minilote con 64 observaciones en cada iteración. Active la gráfica de progreso del entrenamiento.

options = trainingOptions("sgdm", ...
    LearnRateSchedule="piecewise", ...
    LearnRateDropFactor=0.2, ...
    LearnRateDropPeriod=5, ...
    MaxEpochs=20, ...
    MiniBatchSize=64, ...
    Plots="training-progress")

options = 
  TrainingOptionsSGDM with properties:

                        Momentum: 0.9000
                       MaxEpochs: 20
                InitialLearnRate: 0.0100
               LearnRateSchedule: 'piecewise'
             LearnRateDropFactor: 0.2000
             LearnRateDropPeriod: 5
                   MiniBatchSize: 64
                         Shuffle: 'once'
         CheckpointFrequencyUnit: 'epoch'
        PreprocessingEnvironment: 'serial'
                         Verbose: 1
                VerboseFrequency: 50
                  ValidationData: []
             ValidationFrequency: 50
              ValidationPatience: Inf
                         Metrics: []
             ObjectiveMetricName: 'loss'
            ExecutionEnvironment: 'auto'
                           Plots: 'training-progress'
                       OutputFcn: []
                  SequenceLength: 'longest'
            SequencePaddingValue: 0
        SequencePaddingDirection: 'right'
                InputDataFormats: "auto"
               TargetDataFormats: "auto"
         ResetInputNormalization: 1
    BatchNormalizationStatistics: 'auto'
                   OutputNetwork: 'auto'
                    Acceleration: "auto"
                  CheckpointPath: ''
             CheckpointFrequency: 1
        CategoricalInputEncoding: 'integer'
       CategoricalTargetEncoding: 'auto'
                L2Regularization: 1.0000e-04
         GradientThresholdMethod: 'l2norm'
               GradientThreshold: Inf

Monitorizar el progreso del entrenamiento de deep learning

Este ejemplo muestra cómo monitorizar el proceso de entrenamiento en redes de deep learning.

Cuando entrena redes para deep learning, puede comprobar cómo progresa el entrenamiento representando varias métricas durante el proceso. Por ejemplo, puede determinar si la precisión de la red está mejorando y con qué rapidez, y si la red está empezando a sobreajustar los datos de entrenamiento.

En este ejemplo se muestra cómo monitorizar el progreso de entrenamiento para redes entrenadas usando la función trainnet. Para redes entrenadas con un bucle de entrenamiento personalizado, utilice un objeto trainingProgressMonitor para representar métricas durante el entrenamiento. Para obtener más información, consulte Monitor Custom Training Loop Progress.

Cuando establece la opción de entrenamiento Plots en "training-progress" para trainingOptions y comienza el entrenamiento de la red, la función trainnet crea una figura y muestra las métricas de entrenamiento en cada iteración. Cada iteración es una estimación del gradiente y una actualización de los parámetros de la red. Si se especifican los datos de validación en trainingOptions, la figura muestra las métricas de validación cada vez que trainnet valida la red. La figura representa la pérdida y cualquier métrica especificada por la opción nombre-valor Metrics. De manera predeterminada, el software utiliza una escala lineal para las gráficas. Para especificar una escala logarítmica para el eje y, seleccione el botón de escala logarítmica en la barra de herramientas de los ejes.

Durante el entrenamiento, puede detenerlo y devolver el estado actual de la red haciendo clic en el botón de stop de la esquina superior derecha. Una vez que haya hecho clic en el botón de stop, el entrenamiento podría tardar un poco antes de completarse. Una vez completado, trainnet devuelve la red entrenada.

Especifique la opción de entrenamiento OutputNetwork como "best-validation" para obtener valores finales que correspondan a la iteración con el mejor valor de métrica de validación, donde las opciones de entrenamiento ObjectiveMetricName especifican la métrica optimizada. Especifique la opción de entrenamiento OutputNetwork como "last-iteration" para obtener métricas finalizadas que correspondan a la última iteración de entrenamiento.

A la derecha del panel, vea la información sobre el tiempo de entrenamiento y los ajustes. Para obtener más información sobre las opciones de entrenamiento, consulte Configurar parámetros y entrenar una red neuronal convolucional.

Para guardar la gráfica del progreso de entrenamiento, haga clic en Export as Image en la ventana del entrenamiento. Puede guardar la gráfica como archivo PNG, JEPG, TIFF o PDF. También puede guardar de forma individual las gráficas con la barra de herramientas de los ejes.

Representar el progreso del entrenamiento durante el mismo

Entrene una red y represente el progreso de entrenamiento durante el mismo.

Cargue los datos de entrenamiento y de prueba de los archivos MAT DigitsDataTrain.mat y DigitsDataTest.mat, respectivamente. Cada conjunto de datos de entrenamiento y de prueba contiene 5000 imágenes.

load DigitsDataTrain.mat
load DigitsDataTest.mat

Cree un objeto dlnetwork.

net = dlnetwork;

Especifique las capas de la rama de clasificación y añádalas a la red.

layers = [
    imageInputLayer([28 28 1])
    convolution2dLayer(3,8,Padding="same")
    batchNormalizationLayer
    reluLayer   
    maxPooling2dLayer(2,Stride=2)
    convolution2dLayer(3,16,Padding="same")
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2,Stride=2)
    convolution2dLayer(3,32,Padding="same")
    batchNormalizationLayer
    reluLayer
    fullyConnectedLayer(10)
    softmaxLayer];

net = addLayers(net,layers);

Especifique opciones para el entrenamiento de la red. Para validar la red a intervalos regulares durante el entrenamiento, especifique los datos de validación. Registre los valores de las métricas de precisión y puntuación F. Para representar el progreso del entrenamiento durante el mismo, establezca la opción de entrenamiento Plots en "training-progress".

options = trainingOptions("sgdm", ...
    MaxEpochs=8, ...
    Metrics = ["accuracy","fscore"], ...
    ValidationData={XTest,labelsTest}, ...
    ValidationFrequency=30, ...
    Verbose=false, ...
    Plots="training-progress");

Entrene la red.

net = trainnet(XTrain,labelsTrain,net,"crossentropy",options);

Detener el entrenamiento antes de tiempo usando métricas

Utilice métricas para detener el entrenamiento antes de tiempo y devolver la mejor red.

Cargue los datos de entrenamiento, que contienen 5000 imágenes de dígitos. Reserve 1000 de las imágenes para la validación de la red.

[XTrain,YTrain] = digitTrain4DArrayData;

idx = randperm(size(XTrain,4),1000);
XValidation = XTrain(:,:,:,idx);
XTrain(:,:,:,idx) = [];
YValidation = YTrain(idx);
YTrain(idx) = [];

Construya una red para clasificar los datos de las imágenes de los dígitos.

net = dlnetwork;

layers = [
    imageInputLayer([28 28 1])
    convolution2dLayer(3,8,Padding="same")
    batchNormalizationLayer
    reluLayer      
    fullyConnectedLayer(10)
    softmaxLayer];

net = addLayers(net,layers);

Especifique las opciones de entrenamiento:

• Usar un solver SGDM para el entrenamiento.

• Monitorizar el rendimiento del entrenamiento especificando los datos de validación y la frecuencia de validación.

• Hacer un seguimiento de la precisión y la recuperación durante el entrenamiento. Para devolver la red con el mejor valor de recuperación, especifique "recall" como métrica objetivo y establezca la red de salida como "best-validation".

• Especificar la paciencia de validación como 5 para que el entrenamiento se detenga si la recuperación no ha disminuido durante cinco iteraciones.

• Visualizar la gráfica de progreso del entrenamiento de la red.

• Suprimir la salida detallada.

options = trainingOptions("sgdm", ...
    ValidationData={XValidation,YValidation}, ...
    ValidationFrequency=35, ...
    ValidationPatience=5, ...
    Metrics=["accuracy","recall"], ...
    ObjectiveMetricName="recall", ...
    OutputNetwork="best-validation", ...
    Plots="training-progress", ...
    Verbose=false);

Entrene la red.

net = trainnet(XTrain,YTrain,net,"crossentropy",options);

Argumentos de entrada

solverName — Solver para entrenar la red neuronal

"sgdm" | "rmsprop" | "adam" | "lbfgs" (desde R2023b) | "lm" (desde R2024b)

Solver para entrenar la red neuronal, especificado como uno de estos valores:

• "sgdm": gradiente descendente estocástico con momento (SGDM). SGDM es un solver estocástico. Para ver más opciones de entrenamiento, consulte Opciones de solvers estocásticos. Para obtener más información, consulte Gradiente descendente estocástico con momento.

• "rmsprop": propagación del valor cuadrático medio (RMSProp). RMSProp es un solver estocástico. Para ver más opciones de entrenamiento, consulte Opciones de solvers estocásticos. Para obtener más información, consulte Propagación del valor cuadrático medio.

• "adam": estimación de momento adaptativo (Adam). Adam es un solver estocástico. Para ver más opciones de entrenamiento, consulte Opciones de solvers estocásticos. Para obtener más información, consulte Estimación de momento adaptativo.

• "lbfgs" (desde R2023b): Broyden–Fletcher–Goldfarb–Shanno de memoria limitada (L-BFGS). L-BFGS es un solver por lotes. Utilice el algoritmo L-BFGS para redes pequeñas y conjuntos de datos que se pueden procesar en un solo lote. Para ver más opciones de entrenamiento, consulte Opciones de solver por lotes. Para obtener más información, consulte BFGS de memoria limitada.

• "lm" (desde R2024b): Levenberg–Marquardt (LM). LM es un solver por lotes. Utilice el algoritmo LM para redes de regresión con un número reducido de parámetros que se pueden aprender, en las que se puede procesar el conjunto de datos en un único lote. Si solverName es "lm", el argumento lossFcn de la función trainnet debe ser "mse" o "l2loss". Para ver más opciones de entrenamiento, consulte Opciones de solver por lotes. Para obtener más información, consulte Levenberg-Marquardt.

La función trainBERTDocumentClassifier (Text Analytics Toolbox) solo admite los solvers "sgdm", "rmsprop" y "adam".

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: Plots="training-progress",Metrics="accuracy",Verbose=false especifica que se deshabilite la salida detallada y muestra el progreso del entrenamiento en una gráfica que también incluye la métrica de precisión.

Monitorización

Plots — Gráficas que se desea visualizar durante el entrenamiento de red neuronal

"none" (predeterminado) | "training-progress"

Gráficas que se desea visualizar durante el entrenamiento de red neuronal, especificadas como uno de los valores siguientes:

• "none": no visualizar gráficas durante el entrenamiento.

• "training-progress": representar el progreso del entrenamiento.

El contenido de la gráfica depende del solver que se use.

• Cuando el argumento solverName es "sgdm", "adam" o "rmsprop", la gráfica muestra la pérdida de minilotes, la pérdida de validación, el minilote de entrenamiento y las métricas de validación especificadas por la opción Metrics, así como información adicional sobre el progreso del entrenamiento.

• Cuando el argumento solverName es "lbfgs" o "lm", la gráfica muestra la pérdida de validación y entrenamiento, las métricas de validación y entrenamiento especificadas por la opción Metrics, así como información adicional sobre el progreso del entrenamiento.

Para abrir y cerrar de forma programática la gráfica del progreso del entrenamiento después del entrenamiento, use las funciones show y close con la segunda salida de la función trainnet. Puede usar la función show para ver el progreso del entrenamiento, incluso si la opción de entrenamiento Plots está especificada como "none".

Para cambiar la escala del eje y a logarítmica, utilice la barra de herramientas de los ejes.

Para obtener más información sobre la gráfica, consulte Monitorizar el progreso del entrenamiento de deep learning.

Metrics — Métricas para monitorizar

[] (predeterminado) | vector de caracteres | arreglo de cadena | identificador de función | objeto deep.DifferentiableFunction (desde R2024a) | arreglo de celdas | objeto métrico

Desde R2023b

Métricas para monitorizar, especificadas como uno de estos valores:

• Nombre de métrica integrada o de la función de pérdida: especifique las métricas como un escalar de cadena, un vector de caracteres o un arreglo de celdas o un arreglo de cadena de uno o varios de estos nombres:

  • Métricas:

    • "accuracy": precisión (también conocida como precisión principal)

    • "auc": área bajo la curva ROC (AUC)

    • "fscore": puntuación F (también conocida como puntuación F₁)

    • "precision": precisión

    • "recall": recuperación

    • "rmse": raíz del error cuadrático medio

    • "mape": error porcentual absoluto medio (MAPE) (desde R2024b)

    • "rsquared": R² (R cuadrado o coeficiente de determinación) (desde R2025a)

  • Funciones de pérdida:

    • "crossentropy": pérdida de entropía cruzada para tareas de clasificación. (desde R2024b)

    • "indexcrossentropy": índice de pérdida de entropía cruzada para tareas de clasificación. (desde R2024b)

    • "binary-crossentropy": pérdida de entropía cruzada binaria para tareas de clasificación binarias y multietiqueta. (desde R2024b)

    • "mae" / "mean-absolute-error" / "l1loss": error medio absoluto para tareas de regresión. (desde R2024b)

    • "mse" / "mean-squared-error" / "l2loss": error cuadrático medio para tareas de regresión. (desde R2024b)

    • "huber": pérdida de Huber para tareas de regresión (desde R2024b)

  Tenga en cuenta que no se puede establecer la función de pérdida como "crossentropy" y especificar "index-crossentropy" como métrica ni establecer la función de pérdida como "index-crossentropy" y especificar "crossentropy" como métrica.

  Para obtener más información sobre las métricas de deep learning y las funciones de pérdida, consulte Deep Learning Metrics.

• Objeto métrico integrado: si necesita más flexibilidad, puede usar objetos métricos integrados. El software admite estos objetos métricos integrados:

  • AccuracyMetric

  • AUCMetric

  • FScoreMetric

  • PrecisionMetric

  • RecallMetric

  • RMSEMetric

  • MAPEMetric (desde R2024b)

  • RSquaredMetric (desde R2025a)

  Al crear un objeto métrico integrado, puede especificar opciones adicionales, como el tipo promediador y si la tarea es de una sola o de varias etiquetas.

• Identificador de función métrica personalizada: si la métrica que necesita no es una métrica integrada, puede especificar métricas personalizadas mediante un identificador de función. La función debe tener la sintaxis metric = metricFunction(Y,T), donde Y corresponde a las predicciones de la red y T corresponde a las respuestas objetivo. Para redes con varias salidas, la sintaxis debe ser metric = metricFunction(Y1,…,YN,T1,…TM), donde N es el número de salidas y M es el número de objetivos. Para obtener más información, consulte Define Custom Metric Function.

  Nota

  Cuando tiene datos en minilotes, el software calcula la métrica para cada minilote y luego devuelve el promedio de esos valores. Para algunas métricas, este comportamiento puede dar como resultado un valor de métrica diferente que si calcula la métrica usando todo el conjunto de datos a la vez. En la mayoría de los casos, los valores son similares. Para usar una métrica personalizada que no sea un promedio por lotes para los datos, debe crear un objeto métrico personalizado. Para obtener más información, consulte Define Custom Deep Learning Metric Object.

• Objeto deep.DifferentiableFunction (desde R2024a): objeto de función con una función de retropropagación personalizada. Para los objetivos categóricos, el software convierte automáticamente los valores categóricos en vectores codificados one-hot y los pasa a la función métrica. Para obtener más información, consulte Define Custom Deep Learning Operations.

• Objeto métrico personalizado: si necesita mayor personalización, puede definir su propio objeto métrico personalizado. Para ver un ejemplo de cómo crear una métrica personalizada, consulte Define Custom Metric Object. Para obtener información general sobre la creación de métricas personalizadas, consulte Define Custom Deep Learning Metric Object.

Si especifica una métrica como un identificador de función, un objeto deep.DifferentiableFunction o un objeto métrico personalizado y entrena la red neuronal utilizando la función trainnet, la distribución de los objetivos que el software pasa a la métrica depende del tipo de datos de los objetivos y de la función de pérdida que especifique en la función trainnet y de las otras métricas que especifique:

• Si los objetivos son arreglos numéricos, el software pasa los objetivos a la métrica directamente.

• Si la función de pérdida es "index-crossentropy" y los objetivos son arreglos categóricos, el software convierte automáticamente los objetivos en índices de clase numéricos y los pasa a la métrica.

• Para otras funciones de pérdida, si los objetivos son arreglos categóricos, el software convierte automáticamente los objetivos en vectores codificados one-hot y luego los pasa a la métrica.

Esta opción solo admite las funciones trainnet y trainBERTDocumentClassifier (Text Analytics Toolbox).

Ejemplo: Metrics=["accuracy","fscore"]

Ejemplo: Metrics={"accuracy",@myFunction,precisionObj}

ObjectiveMetricName — Nombre de la métrica objetivo

"loss" (predeterminado) | escalar de cadena | vector de caracteres

Desde R2024a

Nombre de la métrica objetivo para su uso en la detención temprana y la devolución de la mejor red, especificado como escalar de cadena o vector de caracteres.

El nombre de la métrica debe ser "loss" o coincidir con el nombre de una métrica especificada por el argumento Metrics. Las métricas especificadas mediante identificadores de función no son compatibles. Para especificar el valor ObjectiveMetricName como el nombre de una métrica personalizada, el valor de la propiedad Maximize del objeto métrico personalizado no debe estar vacío. Para obtener más información, consulte Define Custom Deep Learning Metric Object.

Para obtener más información sobre la especificación de la métrica objetivo para la detención temprana, consulte ValidationPatience. Para obtener más información sobre la devolución de la mejor red mediante la métrica objetivo, consulte OutputNetwork.

Tipos de datos: char | string

Verbose — Indicador para mostrar información sobre el progreso del entrenamiento

1 (true) (predeterminado) | 0 (false)

Indicador para mostrar información sobre el progreso del entrenamiento en la ventana de comandos, especificado como 1 (true) o 0 (false).

El contenido de la salida detallada depende del tipo de solver.

Para los solvers estocásticos (SGDM, Adam y RMSProp), la tabla contiene estas variables:

Variable	Descripción
Iteration	Número de iteraciones.
Epoch	Número de épocas.
TimeElapsed	Tiempo transcurrido en horas, minutos y segundos.
LearnRate	Tasa de aprendizaje.
TrainingLoss	Pérdida de entrenamiento.
ValidationLoss	Pérdida de validación. Si no especifica datos de validación, el software no muestra esta información.

Para los solvers por lotes (L-BFGS y LM), la tabla contiene estas variables:

Variable	Descripción
Iteration	Número de iteraciones.
TimeElapsed	Tiempo transcurrido en horas, minutos y segundos.
TrainingLoss	Pérdida de entrenamiento.
ValidationLoss	Pérdida de validación. Si no especifica datos de validación, el software no muestra esta información.
GradientNorm	Norma de los gradientes.
StepNorm	Norma de los pasos.

Si especifica métricas adicionales en las opciones de entrenamiento, también aparecerán en la salida detallada. Por ejemplo, si configura la opción de entrenamiento Metrics como "accuracy", la información incluye las variables TrainingAccuracy y ValidationAccuracy.

Cuando el aprendizaje se detiene, la salida detallada muestra la razón de la detención.

Para especificar datos de validación, use la opción de entrenamiento ValidationData.

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

VerboseFrequency — Frecuencia de impresión detallada

50 (predeterminado) | entero positivo

Frecuencia de la impresión detallada, que es el número de iteraciones entre cada impresión en la ventana de comandos, especificada como un entero positivo.

Si valida la red neuronal durante el entrenamiento, el software también imprime en la ventana de comandos cada vez que tiene lugar la validación.

Para habilitar esta propiedad, establezca la opción de entrenamiento Verbose en 1 (true).

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

OutputFcn — Funciones de salida

identificador de función | arreglo de celdas de identificadores de función

Funciones de salida a las que llamar durante el entrenamiento, especificadas como identificador de función o arreglo de celdas de identificadores de función. El software llama a las funciones una vez antes del inicio del entrenamiento, después de cada iteración y una vez cuando ha finalizado el entrenamiento.

Las funciones deben tener la sintaxis stopFlag = f(info), donde info es una estructura que contiene información sobre el progreso del entrenamiento y stopFlag es un escalar que indica que se debe detener el entrenamiento antes de tiempo. Si stopFlag es 1 (true), el software detiene el entrenamiento. En caso contrario, el software continúa el entrenamiento.

La función trainnet pasa a la función de salida la estructura info.

Para los solvers estocásticos (SGDM, Adam y RMSProp), info contiene estos campos:

Campo	Descripción
Epoch	Número de épocas
Iteration	Número de iteraciones
TimeElapsed	Tiempo desde el inicio del entrenamiento
LearnRate	Tasa de aprendizaje de iteraciones
TrainingLoss	Pérdida de entrenamiento de iteraciones
ValidationLoss	Pérdida de validación, si se especifica y se evalúa en la iteración.
State	Estado de entrenamiento de iteraciones, especificado como "start", "iteration" o "done".

Para los solvers por lotes (L-BFGS y LM), info contiene estos campos:

Campo	Descripción
Iteration	Número de iteraciones
TimeElapsed	Tiempo transcurrido en horas, minutos y segundos
TrainingLoss	Pérdida de entrenamiento
ValidationLoss	Pérdida de validación. Si no especifica datos de validación, el software no muestra esta información.
GradientNorm	Norma de los gradientes
StepNorm	Norma de los pasos
State	Estado de entrenamiento de iteraciones, especificado como "start", "iteration" o "done".

Si especifica métricas adicionales en las opciones de entrenamiento, también aparecerán en la información de entrenamiento. Por ejemplo, si configura la opción de entrenamiento Metrics como "accuracy", la información incluye los campos TrainingAccuracy y ValidationAccuracy.

Si un campo no se calcula o no es relevante para una determinada llamada a las funciones de salida, este contiene un arreglo vacío.

Para ver un ejemplo de cómo utilizar funciones de salida, consulte Custom Stopping Criteria for Deep Learning Training.

Tipos de datos: function_handle | cell

Disposición de datos

CategoricalInputEncoding — Codificación de entradas categóricas

"integer" (predeterminado) | "one-hot"

Desde R2025a

Codificación de entradas categóricas, especificada como uno de estos valores:

• "integer": convierte entradas categóricas a su valor entero. En este caso, la red debe tener un canal de entrada para cada una de las entradas categóricas.

• "one-hot": convierte entradas categóricas a vectores codificados one-hot. En este caso, la red debe tener numCategories canales para cada una de las entradas categóricas, en los que numCategories es el número de categorías de la entrada categórica correspondiente.

CategoricalTargetEncoding — Codificación de objetivos categóricos

"auto" (predeterminado) | "integer" | "one-hot"

Desde R2025a

Codificación de objetivos categóricos, especificada como uno de estos valores:

• "auto": si entrena con la función de pérdida "index-crossentropy", convierte objetivos categóricos a su valor entero. De lo contrario, convierte objetivos categóricos a vectores codificados one-hot.

• "integer": convierte objetivos categóricos a su valor entero y pasa los valores de enteros codificados a las funciones de pérdida y métricas.

• "one-hot": convierte objetivos categóricos a vectores codificados one-hot y pasa los valores codificados one-hot a las funciones de pérdida y métricas.

InputDataFormats — Descripción de dimensiones de datos de entrada

"auto" (predeterminado) | arreglo de cadena | arreglo de celdas de vectores de caracteres | vector de caracteres

Desde R2023b

Descripción de las dimensiones de los datos de entrada, especificada como un arreglo de cadenas, un vector de caracteres o un arreglo de celdas de vectores de caracteres.

Si InputDataFormats es "auto", el software usa los formatos esperados por la entrada de red. De lo contrario, el software usa los formatos especificados para la entrada de red correspondiente.

Un formato de datos es una cadena de caracteres, en la que cada carácter describe el tipo de la dimensión de datos correspondiente.

Los caracteres son los siguientes:

• "S": espacial

• "C": canal

• "B": lote

• "T": tiempo

• "U": sin especificar

Por ejemplo, considere un arreglo que representa un lote de secuencias, donde la primera, la segunda y la tercera dimensión corresponden a canales, observaciones y unidades de tiempo, respectivamente. Puede describir los datos como datos que tienen el formato "CBT" (canal, lote, tiempo).

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

Para redes neuronales con varias entradas net, especifique un arreglo de formatos de datos de entrada, donde InputDataFormats(i) corresponde a la entrada net.InputNames(i).

Para obtener más información, consulte Deep Learning Data Formats.

Tipos de datos: char | string | cell

TargetDataFormats — Descripción de dimensiones de datos objetivo

"auto" (predeterminado) | arreglo de cadena | arreglo de celdas de vectores de caracteres | vector de caracteres

Desde R2023b

Descripción de las dimensiones de los datos objetivo, especificada como uno de estos valores:

• "auto": si los datos objetivo contienen el mismo número de dimensiones que los de entrada, la función trainnet usa el formato especificado por InputDataFormats. Si los datos objetivo contienen un número de dimensiones distinto que los de entrada, la función trainnet usa el formato esperado por la función de pérdida.

• Arreglo de cadenas, vector de caracteres o arreglo de celdas de vectores de caracteres: la función trainnet usa los formatos de datos especificados.

Un formato de datos es una cadena de caracteres, en la que cada carácter describe el tipo de la dimensión de datos correspondiente.

Los caracteres son los siguientes:

• "S": espacial

• "C": canal

• "B": lote

• "T": tiempo

• "U": sin especificar

Por ejemplo, considere un arreglo que representa un lote de secuencias, donde la primera, la segunda y la tercera dimensión corresponden a canales, observaciones y unidades de tiempo, respectivamente. Puede describir los datos como datos que tienen el formato "CBT" (canal, lote, tiempo).

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

Para obtener más información, consulte Deep Learning Data Formats.

Tipos de datos: char | string | cell

Opciones de solvers estocásticos

MaxEpochs — Número máximo de épocas

30 (predeterminado) | entero positivo

Número máximo de épocas (pasos completos de los datos) que desea usar para el entrenamiento, especificado como un entero positivo.

Esta opción solo admite solvers estocásticos (cuando el argumento solverName es "sgdm", "adam" o "rmsprop").

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

MiniBatchSize — Tamaño de minilote de

128 (predeterminado) | entero positivo

Tamaño de minilote que desea usar para cada iteración de entrenamiento, especificado como un entero positivo. Un minilote es un subconjunto del conjunto de entrenamiento que se usa para evaluar el gradiente de la función de pérdida y actualizar los pesos.

Si el tamaño de minilote no divide el número de muestras de entrenamiento de manera uniforme, el software descarta los datos de entrenamiento que no caben en el minilote final completo de cada época. Si el tamaño de minilote es más pequeño que el número de muestras de entrenamiento, el software no descarta ningún dato.

Esta opción solo admite solvers estocásticos (cuando el argumento solverName es "sgdm", "adam" o "rmsprop").

Sugerencia

Para obtener el mejor rendimiento, si está entrenando una red usando un almacén de datos con una propiedad ReadSize, como imageDatastore, establezca la propiedad ReadSize y la opción de entrenamiento MiniBatchSize en el mismo valor. Si está entrenando una red usando un almacén de datos con una propiedad MiniBatchSize, como augmentedImageDatastore, establezca la propiedad MiniBatchSize del almacén de datos y la opción de entrenamiento MiniBatchSize en el mismo valor.

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

Shuffle — Opción para cambiar el orden de los datos

"once" (predeterminado) | "never" | "every-epoch"

Opción para cambiar el orden de los datos, especificada como uno de estos valores:

• "once": cambiar el orden de los datos de entrenamiento y validación una vez antes del entrenamiento.

• "never": no cambiar el orden de los datos.

• "every-epoch": cambiar el orden de los datos de entrenamiento antes de cada época de entrenamiento y cambiar el orden de los datos de validación antes de cada validación de la red neuronal. Si el tamaño de minilote no divide el número de muestras de entrenamiento de manera uniforme, el software descarta los datos de entrenamiento que no caben en el minilote final completo de cada época. Para evitar descartar los mismos datos cada época, establezca la opción de entrenamiento Shuffle en "every-epoch".

Esta opción solo admite solvers estocásticos (cuando el argumento solverName es "sgdm", "adam" o "rmsprop").

InitialLearnRate — Tasa de aprendizaje inicial

escalar positivo

Tasa de aprendizaje inicial usada para el entrenamiento, especificada como un escalar positivo.

Si la tasa de aprendizaje es demasiado baja, el entrenamiento puede tardar mucho tiempo. Si la tasa de aprendizaje es demasiado alta, el entrenamiento podría lograr un resultado subóptimo o divergir.

Esta opción solo admite solvers estocásticos (cuando el argumento solverName es "sgdm", "adam" o "rmsprop").

Cuando solverName es "sgdm", el valor predeterminado es 0.01. Cuando solverName es "rmsprop" o "adam", el valor predeterminado es 0.001.

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

LearnRateSchedule — Programación de la tasa de aprendizaje

"none" (predeterminado) | vector de caracteres | arreglo de cadena | objeto de programación de la tasa de aprendizaje integrado o personalizado | identificador de función | arreglo de celdas

Programación de la tasa de aprendizaje, especificada como un vector de caracteres o escalar de cadena de una programación de la tasa de aprendizaje, un arreglo de cadena de nombres, un objeto de programación de la tasa de aprendizaje integrado o personalizado, un identificador de función o un arreglo de celdas de nombres, objetos métricos e identificadores de función.

Esta opción solo admite solvers estocásticos (cuando el argumento solverName es "sgdm", "adam" o "rmsprop").

Nombres de programación de la tasa de aprendizaje integrada

Especifique las programaciones de la tasa de aprendizaje como un escalar de cadena, un vector de caracteres o un arreglo de cadenas o de celdas de uno o más de estos nombres:

Nombre	Descripción	Gráfica
"none"	No hay ninguna programación de la tasa de aprendizaje. Esta programación mantiene la tasa de aprendizaje constante.
"piecewise"	Programación de la tasa de aprendizaje por partes. Esta programación reduce la tasa de aprendizaje por un factor de 10 cada 10 épocas.
"warmup" (desde R2024b)	Programación de la tasa de aprendizaje de calentamiento. Esta programación aumenta la tasa de aprendizaje hasta la tasa de aprendizaje base durante 5 iteraciones.
"polynomial" (desde R2024b)	Programación de la tasa de aprendizaje polinómica. Esta programación reduce la tasa de aprendizaje utilizando una ley de potencia con un exponente unitario cada época.
"exponential" (desde R2024b)	Programación de la tasa de aprendizaje exponencial. Esta programación reduce la tasa de aprendizaje por un factor de 10 cada época.
"cosine" (desde R2024b)	Programación de la tasa de aprendizaje del coseno. Esta programación reduce la tasa de aprendizaje mediante una fórmula de coseno cada época.
"cyclical" (desde R2024b)	Programación de la tasa de aprendizaje cíclica. Esta programación aumenta la tasa de aprendizaje a partir de la tasa de aprendizaje base durante 5 épocas y, luego, disminuye la tasa de aprendizaje durante 5 épocas, a lo largo de periodos de 10 épocas.

Objeto de programación de la tasa de aprendizaje integrado (desde R2024b)

Si necesita más flexibilidad que la que ofrecen las opciones de cadena, puede utilizar objetos de programación de la tasa de aprendizaje integrados:

• piecewiseLearnRate: un objeto de programación de la tasa de aprendizaje por partes disminuye la tasa de aprendizaje periódicamente multiplicándola por un factor especificado. Utilice este objeto para personalizar el factor y periodo de caída de la programación por partes.

  Antes de R2024b: Personalice el factor y periodo de caída por partes mediante las opciones de entrenamiento LearnRateDropFactor y LearnRateDropPeriod, respectivamente.

• warmupLearnRate: un objeto de programación de la tasa de aprendizaje de calentamiento aumenta la tasa de aprendizaje durante un número especificado de iteraciones. Utilice este objeto para personalizar los factores de la tasa de aprendizaje inicial y final y el número de pasos de la programación de calentamiento.

• polynomialLearnRate: un objeto de programación de la tasa de aprendizaje polinómica reduce la tasa de aprendizaje utilizando una ley de potencia. Utilice este objeto para personalizar los factores de la tasa de aprendizaje inicial y final, el exponente y el número de pasos de la programación polinómica.

• exponentialLearnRate: un objeto de programación de la tasa de aprendizaje exponencial reduce la tasa de aprendizaje por un factor especificado. Utilice este objeto para personalizar el factor y periodo de caída de la programación exponencial.

• cosineLearnRate: un objeto de programación de la tasa de aprendizaje de coseno reduce la tasa de aprendizaje utilizando una curva coseno e incorpora reinicios en caliente. Utilice este objeto para personalizar los factores de la tasa de aprendizaje inicial y final, el periodo y el factor de crecimiento del periodo de la programación de coseno.

• cyclicalLearnRate: un objeto de programación de la tasa de aprendizaje cíclica aumenta y disminuye la tasa de aprendizaje de forma periódica. Utilice esta opción para personalizar el factor máximo, el periodo y la relación de paso de la programación cíclica.

Programación de la tasa de aprendizaje personalizada (desde R2024b)

Para mayor flexibilidad, puede definir una programación de la tasa de aprendizaje personalizada como un identificador de función o una clase personalizada que herede de deep.LearnRateSchedule.

• Identificador de función de la programación de la tasa de aprendizaje: si la programación de la tasa de aprendizaje que necesita no es una programación de la tasa de aprendizaje integrada, puede especificar programaciones de la tasa de aprendizaje personalizadas mediante un identificador de función. Para especificar una programación personalizada, utilice un identificador de función con la sintaxis learningRate = f(baseLearningRate,epoch), donde baseLearningRate es la tasa de aprendizaje base y epoch es el número de época.

• Objeto de programación de la tasa aprendizaje personalizada: si necesita más flexibilidad que la que proporcionan los identificadores de función, puede definir una clase de programación de la tasa de aprendizaje personalizada que herede de deep.LearnRateSchedule.

Programaciones de la tasa de aprendizaje múltiples (desde R2024b)

Puede combinar varias programaciones de la tasa de aprendizaje especificando varias programaciones como un arreglo de cadenas o de celdas y, después, el software aplica las programaciones en orden, empezando por el primer elemento. Solo puede ser infinita una de las programaciones (programaciones que continúan indefinidamente, como "cyclical" y objetos con la propiedad NumSteps establecida en Inf) y la programación infinita debe ser el último elemento del arreglo.

Momentum — Contribución del paso previo

0.9 (predeterminado) | escalar de 0 a 1

Contribución del paso de actualización de parámetros de la iteración previa a la iteración actual del gradiente descendente estocástico con momento, especificada como un escalar de 0 a 1.

Un valor de 0 indica que no hay contribución desde el paso previo, mientras que un valor de 1 indica una contribución máxima desde el paso previo. El valor predeterminado funciona bien para la mayoría de tareas.

Esta opción solo admite el solver SGDM (cuando el argumento solverName es "sgdm").

Para obtener más información, consulte Gradiente descendente estocástico con momento.

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

GradientDecayFactor — Tasa de decaimiento de la media móvil de gradiente

0.9 (predeterminado) | escalar no negativo menor que 1

Tasa de decaimiento de la media móvil de gradiente para el solver Adam, especificada como un escalar no negativo menor que 1. La tasa de decaimiento del gradiente está denotada por β1 en la sección Estimación de momento adaptativo.

Esta opción solo admite el solver Adam (cuando el argumento solverName es "adam").

Para obtener más información, consulte Estimación de momento adaptativo.

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

SquaredGradientDecayFactor — Tasa de decaimiento de la media móvil de gradiente cuadrado

escalar no negativo menor que 1

Tasa de decaimiento de la media móvil de gradiente cuadrado para los solvers Adam y RMSProp, especificada como un escalar no negativo menor que 1. La tasa de decaimiento del gradiente cuadrado está denotada por β2 en [4].

Valores típicos de la tasa de decaimiento son 0.9, 0.99 y 0.999, que corresponden a longitudes medias de 10, 100 y 1000 actualizaciones de parámetros, respectivamente.

Esta opción solo admite los solvers Adam y RMSProp (cuando el argumento solverName es "adam" o "rmsprop").

El valor predeterminado es 0.999 para el solver Adam. El valor predeterminado es 0.9 para el solver RMSProp.

Para obtener más información, consulte Estimación de momento adaptativo y Propagación del valor cuadrático medio.

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

Epsilon — Desplazamiento del denominador

1e-8 (predeterminado) | escalar positivo

Desplazamiento del denominador para los solvers Adam y RMSProp, especificada como un escalar positivo.

El solver añade el desplazamiento al denominador en las actualizaciones de parámetros de la red neuronal para evitar una división por cero. El valor predeterminado funciona bien para la mayoría de tareas.

Esta opción solo admite los solvers Adam y RMSProp (cuando el argumento solverName es "adam" o "rmsprop").

Para obtener más información, consulte Estimación de momento adaptativo y Propagación del valor cuadrático medio.

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

LearnRateDropFactor — Factor para reducir la tasa de aprendizaje

0.1 (predeterminado) | escalar de 0 a 1

Factor para reducir la tasa de aprendizaje, especificado como un escalar de 0 a 1. Esta opción es válida solo cuando la opción de entrenamiento LearnRateSchedule es "piecewise".

LearnRateDropFactor es un factor multiplicativo para aplicar a la tasa de aprendizaje cada vez que pasa un determinado número de épocas. Especifique el número de épocas mediante la opción de entrenamiento LearnRateDropPeriod.

Esta opción solo admite solvers estocásticos (cuando el argumento solverName es "sgdm", "adam" o "rmsprop").

Sugerencia

Para personalizar la programación de la tasa de aprendizaje por partes, utilice un objeto piecewiseLearnRate. Se recomienda el uso de un objeto piecewiseLearnRate en lugar de las opciones de entrenamiento LearnRateDropFactor and LearnRateDropPeriod, ya que proporciona un control adicional sobre la frecuencia de caída. (desde R2024b)

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

LearnRateDropPeriod — Número de épocas para reducir la tasa de aprendizaje

10 (predeterminado) | entero positivo

Número de épocas para reducir la tasa de aprendizaje, especificado como un entero positivo. Esta opción es válida solo cuando la opción de entrenamiento LearnRateSchedule es "piecewise".

El software multiplica la tasa de aprendizaje global por el factor de reducción cada vez que pasa el número de épocas especificado. Especifique el factor de reducción mediante la opción de entrenamiento LearnRateDropFactor.

Esta opción solo admite solvers estocásticos (cuando el argumento solverName es "sgdm", "adam" o "rmsprop").

Sugerencia

Para personalizar la programación de la tasa de aprendizaje por partes, utilice un objeto piecewiseLearnRate. Se recomienda el uso de un objeto piecewiseLearnRate en lugar de las opciones de entrenamiento LearnRateDropFactor and LearnRateDropPeriod, ya que proporciona un control adicional sobre la frecuencia de caída. (desde R2024b)

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

Opciones de solver por lotes

MaxIterations — Número máximo de iteraciones

1000 (predeterminado) | entero positivo

Desde R2023b

Número máximo de iteraciones que desea usar para el entrenamiento, especificado como un entero positivo.

El solver L-BFGS es un solver de lote completo, lo que significa que procesa el conjunto de entrenamiento completo en una única iteración.

Esta opción solo admite solvers por lotes (cuando el argumento solverName es "lbfgs" o "lm").

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

GradientTolerance — Tolerancia de gradiente relativo

1e-5 (predeterminado) | escalar positivo | 0 (desde R2025a)

Desde R2023b

Tolerancia de gradiente relativo, especificada como un escalar positivo.

Tolerancia de gradiente relativo, especificada como uno de estos valores:

• Escalar positivo: detiene el entrenamiento cuando el gradiente relativo es menor o igual que el valor especificado.

• 0 (desde R2025a): no se detiene el entrenamiento según el gradiente relativo.

Esta opción solo admite solvers por lotes (cuando el argumento solverName es "lbfgs" o "lm").

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

StepTolerance — Tolerancia de tamaño de paso

1e-5 (predeterminado) | escalar positivo | 0 (desde R2025a)

Desde R2023b

Tolerancia de tamaño de paso, especificada como uno de estos valores:

• Escalar positivo: detiene el entrenamiento cuando el paso que da el algoritmo es menor o igual que el valor especificado.

• 0 (desde R2025a): no se detiene el entrenamiento según el tamaño de paso.

Esta opción solo admite solvers por lotes (cuando el argumento solverName es "lbfgs" o "lm").

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

LineSearchMethod — Método para encontrar una tasa de aprendizaje adecuada

"weak-wolfe" (predeterminado) | "strong-wolfe" | "backtracking"

Desde R2023b

Método para encontrar una tasa de aprendizaje adecuada, especificado como uno de estos valores:

• "weak-wolfe": búsqueda de una tasa de aprendizaje que satisfaga las condiciones débiles de Wolfe. Este método mantiene una aproximación definida y positiva de la matriz hessiana inversa.

• "strong-wolfe": búsqueda de una tasa de aprendizaje que satisfaga las condiciones fuertes de Wolfe. Este método mantiene una aproximación definida y positiva de la matriz hessiana inversa.

• "backtracking": búsqueda de una tasa de aprendizaje que satisfaga las condiciones de disminución suficientes. Este método no mantiene una aproximación definida y positiva de la matriz hessiana inversa.

Esta opción solo admite el solver L-BFGS (cuando el argumento solverName es "lbfgs").

HistorySize — Número de actualizaciones de estado que se desea almacenar

10 (predeterminado) | entero positivo

Desde R2023b

Número de actualizaciones de estado que se desea almacenar, especificado como un entero positivo. Los valores entre 3 y 20 son adecuados para la mayoría de tareas.

El algoritmo L-BFGS usa un historial de cálculos de gradientes para aproximar la matriz hessiana de forma recursiva. Para obtener más información, consulte Limited-Memory BFGS.

Esta opción solo admite el solver L-BFGS (cuando el argumento solverName es "lbfgs").

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

InitialInverseHessianFactor — Valor inicial que caracteriza la matriz hessiana inversa aproximada

1 (predeterminado) | escalar positivo

Desde R2023b

Valor inicial que caracteriza la matriz hessiana inversa aproximada, especificado como un escalar positivo.

Para ahorrar memoria, el algoritmo L-BFGS no almacena ni invierte la matriz hessiana densa B. En su lugar, el algoritmo usa la aproximación $$B_{k-m}^{-1}\approx {\lambda }_{k}I$$, donde m es el tamaño del historial, el factor hessiano inverso $${\lambda }_k$$ es un escalar e I es la matriz identidad. Después, el algoritmo almacena únicamente el factor hessiano inverso escalar. El algoritmo actualiza el factor hessiano inverso en cada paso.

El factor hessiano inverso inicial es el valor de $${\lambda }_0$$.

Para obtener más información, consulte Limited-Memory BFGS.

Esta opción solo admite el solver L-BFGS (cuando el argumento solverName es "lbfgs").

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

MaxNumLineSearchIterations — Número máximo de iteraciones de búsqueda lineal

20 (predeterminado) | entero positivo

Desde R2023b

Número máximo de iteraciones de búsqueda lineal para determinar la tasa de aprendizaje, especificado como un entero positivo.

Esta opción solo admite el solver L-BFGS (cuando el argumento solverName es "lbfgs").

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

InitialStepSize — Valor máximo absoluto aproximado del primer paso de optimización

[] (predeterminado) | "auto" | escalar real finito

Desde R2024b

Tamaño de paso inicial, especificado como uno de estos valores:

• []: no utiliza un tamaño de paso inicial para determinar la aproximación hessiana inicial.

• "auto": determina el tamaño del paso inicial automáticamente. El software utiliza un tamaño de paso inicial de $$\Vert s_0{\Vert }_{\infty }=\frac{1}{2}\Vert W_0{\Vert }_{\infty }+0.1$$, donde W₀ son los parámetros iniciales que se pueden aprender de la red.

• Escalar real positivo: utiliza el valor especificado como tamaño de paso inicial $$\Vert s_0{\Vert }_{\infty }$$.

Si InitialStepSize es "auto" o un escalar real positivo, el software aproxima la matriz hessiana inicial inversa usando $${\lambda }_0=\frac{\Vert s_0{\Vert }_{\infty }}{\Vert \nabla J(W_0){\Vert }_{\infty }}$$, donde λ₀ es el factor hessiano inverso inicial y $$\nabla J(W_0)$$ denota los gradientes de la pérdida con respecto a los parámetros que se pueden aprender iniciales. Para obtener más información, consulte BFGS de memoria limitada.

Esta opción solo admite el solver L-BFGS (cuando el argumento solverName es "lbfgs").

InitialDampingFactor — Factor de amortiguamiento inicial

0.001 (predeterminado) | escalar positivo

Desde R2024b

Factor de amortiguamiento inicial, especificado como un escalar positivo.

Esta opción solo admite el solver LM (cuando el argumento solverName es "lm").

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

MaxDampingFactor — Factor de amortiguamiento máximo

1e10 (predeterminado) | escalar positivo

Desde R2024b

Factor de amortiguamiento máximo, especificado como un escalar positivo.

Esta opción solo admite el solver LM (cuando el argumento solverName es "lm").

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

DampingIncreaseFactor — Factor de aumento del factor de amortiguación

10 (predeterminado) | escalar positivo mayor que 1

Desde R2024b

Factor de aumento del factor de amortiguación, especificado como un escalar positivo mayor que 1.

Esta opción solo admite el solver LM (cuando el argumento solverName es "lm").

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

DampingDecreaseFactor — Factor de disminución del factor de amortiguación

0.1 (predeterminado) | escalar positivo menor que 1

Desde R2024b

Factor de disminución del factor de amortiguación, especificado como un escalar positivo menor que 1.

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

Validación

ValidationData — Datos que desea usar para la validación durante el entrenamiento

[] (predeterminado) | almacén de datos | tabla | arreglo de celdas | objeto minibatchqueue (desde R2024a)

Datos que desea usar para la validación durante el entrenamiento, especificados como [], un almacén de datos, una tabla, un arreglo de celdas o un objeto minibatchqueue que contiene los predictores y los objetivos de la validación.

Durante el entrenamiento, el software usa los datos de validación para calcular la pérdida de validación y los valores métricos. Para especificar la frecuencia de validación, use la opción de entrenamiento ValidationFrequency. También puede utilizar los datos de validación para detener el entrenamiento automáticamente cuando la métrica objetivo de la validación deje de mejorar. De forma predeterminada, la métrica objetivo se establece como la pérdida. Para activar la detención automática de la validación, use la opción de entrenamiento ValidationPatience.

Si ValidationData es [], el software no valida la red neuronal durante el entrenamiento.

Si su red neuronal tiene capas que se comportan de forma diferente durante la predicción y durante el entrenamiento (por ejemplo, capas de abandono), la pérdida de validación puede ser menor que la pérdida de entrenamiento.

El software cambia los datos de validación de acuerdo con la opción de entrenamiento Shuffle. Si Shuffle es "every-epoch", el software cambia los datos de validación antes de cada validación de la red neuronal.

Los formatos admitidos dependen de la función de entrenamiento que se use.

Función trainnet

Especifique los datos de validación como un almacén de datos, una tabla, un objeto minibatchqueue o el arreglo de celdas {predictors,targets}, donde predictors contiene los predictores de validación y targets contiene los objetivos de validación. Especifique los valores de los predictores y objetivos de validación usando cualquiera de las disposiciones compatibles con la función trainnet.

Para obtener más información, consulte los argumentos de entrada de la función trainnet.

Función trainBERTDocumentClassifier (Text Analytics Toolbox)

Especifique los datos de validación como uno de estos valores:

• Arreglo de celdas {documents,targets}, donde documents contiene los documentos de entrada y targets contiene las etiquetas de los documentos.

• Tabla, donde la primera variable contiene los documentos de entrada y la segunda contiene las etiquetas de los documentos.

Para obtener más información, consulte los argumentos de entrada de la función trainBERTDocumentClassifier (Text Analytics Toolbox).

ValidationFrequency — Frecuencia de la validación de la red neuronal

50 (predeterminado) | entero positivo

Frecuencia de la validación de la red neuronal en número de iteraciones, especificada como un entero positivo.

El valor ValidationFrequency es el número de iteraciones entre evaluaciones de métricas de validación. Para especificar datos de validación, use la opción de entrenamiento ValidationData.

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

ValidationPatience — Paciencia de la detención de la validación

Inf (predeterminado) | entero positivo

Paciencia de la detención de la validación del entrenamiento de red neuronal, especificada como un entero positivo o Inf.

ValidationPatience especifica el número de veces que la métrica objetivo del conjunto de validación puede ser peor que o igual al mejor valor anterior antes de que el entrenamiento de la red neuronal se detenga. Si ValidationPatience es Inf, los valores de la métrica de validación no hacen que el entrenamiento se detenga antes de tiempo. El software tiene como objetivo maximizar o minimizar la métrica, según lo especificado por la propiedad Maximize de la métrica. Cuando la métrica objetivo es "loss", el software tiene como objetivo minimizar el valor de pérdida.

La red neuronal devuelta depende de la opción de entrenamiento OutputNetwork. Para devolver la red neuronal con el mejor valor de métrica de validación, establezca la opción de entrenamiento OutputNetwork en "best-validation".

Antes de R2024a: El software calcula la paciencia de validación utilizando el valor de pérdida de validación.

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

OutputNetwork — Red neuronal que se desea devolver cuando se completa el entrenamiento

"auto" (predeterminado) | "last-iteration" | "best-validation"

Red neuronal que se desea devolver cuando se completa el entrenamiento, especificada como una de las siguientes opciones:

• "auto": si se especifica ValidationData, utiliza "best-validation". En caso contrario, utiliza "last-iteration".

• "best-validation": devuelve la red neuronal correspondiente a la iteración de entrenamiento con el mejor valor de métrica de validación, donde la métrica para optimizar se especifica mediante la opción ObjectiveMetricName. Para usar esta opción debe especificar la opción de entrenamiento ValidationData.

• "last-iteration": devuelve la red neuronal correspondiente a la última iteración de entrenamiento.

Regularización y normalización

L2Regularization — Factor para regularización L₂

0.0001 (predeterminado) | Escalar no negativo

Factor para regularización L₂ (decaimiento de peso), especificado como un escalar no negativo. Para obtener más información, consulte Regularización L2.

Esta opción no admite el solver LM (cuando el argumento solverName es "lm").

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

ResetInputNormalization — Opción para restablecer la normalización de la capa de entrada

1 (true) (predeterminado) | 0 (false)

Opción para restablecer la normalización de la capa de entrada, especificada como una de las siguientes opciones:

• 1 (true): restablecer las estadísticas de normalización de la capa de entrada y recalcularlas en el momento del entrenamiento.

• 0 (false): calcular las estadísticas de normalización en el momento del entrenamiento cuando están vacías.

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

BatchNormalizationStatistics — Modo para evaluar estadísticas en capas de normalización de lotes

"auto" (predeterminado) | "population" | "moving"

Modo para evaluar estadísticas en capas de normalización de lotes, especificado como una de las siguientes opciones:

• "population": usar las estadísticas de población. Después del entrenamiento, el software finaliza las estadísticas pasando por los datos de entrenamiento una vez más y utiliza la media y la varianza resultantes.

• "moving": aproximar las estadísticas durante el entrenamiento utilizando una estimación continua dada por pasos de actualización

  $$\begin{array}{l}{\mu }^{*}={\lambda }_{\mu }\widehat{\mu }+(1-{\lambda }_{\mu })\mu \\ {\sigma }^2{}^{*}={\lambda }_{{\sigma }^2}\widehat{{\sigma }^2}\text{}\text{+}\text{}\text{(1-}{\lambda }_{{\sigma }^2})\text{}{\sigma }^2\end{array}$$

  , donde $${\mu }^{*}$$ y $${\sigma }^2{}^{*}$$ denotan la media y la varianza actualizadas, respectivamente, $${\lambda }_{\mu }$$ y $${\lambda }_{{\sigma }^2}$$ denotan los valores de decaimiento de la media y la varianza, respectivamente, $$\widehat{\mu }$$ y $$\widehat{{\sigma }^2}$$ denotan la media y la varianza de la entrada de la capa, respectivamente, y $$\mu$$ y $${\sigma }^2$$ denotan los valores más recientes de los valores de media y varianza móviles, respectivamente. Después del entrenamiento, el software usa el valor más reciente de las estadísticas de media y varianza móviles. Esta opción solo es compatible con CPU y GPU única.

• "auto": utilizar la opción "moving".

Recorte de gradiente

GradientThreshold — Umbral de gradiente

Inf (predeterminado) | escalar positivo

Umbral de gradiente, especificado como Inf o un escalar positivo. Si el gradiente supera el valor de GradientThreshold, este se recorta de acuerdo con la opción de entrenamiento GradientThresholdMethod.

Para obtener más información, consulte Recorte de gradiente.

Esta opción no admite el solver LM (cuando el argumento solverName es "lm").

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

GradientThresholdMethod — Método de umbral de gradiente

"l2norm" (predeterminado) | "global-l2norm" | "absolute-value"

Método de umbral de gradiente utilizado para recortar los valores de gradiente que superan el umbral de gradiente, especificado como una de las siguientes opciones:

• "l2norm": si la norma L₂ del gradiente de un parámetro que se puede aprender es mayor que GradientThreshold, escalar el gradiente para que la norma L₂ sea igual a GradientThreshold.

• "global-l2norm": si la norma L₂ global, L, es mayor que GradientThreshold, escalar todos los gradientes por un factor de GradientThreshold/L. La norma L₂ global considera todos los parámetros que se pueden aprender.

• "absolute-value": si el valor absoluto de una derivada parcial individual en el gradiente de un parámetro que se puede aprender es mayor que GradientThreshold, escala la derivada parcial para tener una magnitud igual a GradientThreshold y mantenga el signo de la derivada parcial.

Para obtener más información, consulte Recorte de gradiente.

Esta opción no admite el solver LM (cuando el argumento solverName es "lm").

Secuencia

SequenceLength — Opción para rellenar o truncar secuencias

"longest" (predeterminado) | "shortest"

Opción para rellenar, truncar o dividir secuencias de entrada, especificada como uno de estos valores:

• "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 neuronal.

• "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.

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

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

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 cada secuencia.

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

Las capas recurrentes procesan los datos secuenciales en una unidad de tiempo cada vez, por lo que 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 el argumento nombre-valor SequencePaddingDirection en "left".

Para redes neuronales 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 el argumento nombre-valor SequencePaddingDirection en "right".

Para obtener más información sobre los efectos del relleno y el truncado de secuencias, consulte Relleno y truncado de secuencias.

SequencePaddingValue — Valor con el que rellenar secuencias de entrada

0 (predeterminado) | escalar

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

No rellene secuencias con NaN, porque haciéndolo se pueden propagar errores por la red neuronal.

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

Hardware y aceleración

ExecutionEnvironment — Recurso de hardware para entrenar red neuronal

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

Recurso de hardware para entrenar la red neuronal, especificado como uno de estos valores:

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

• "cpu": usar la CPU local.

• "gpu": usar la GPU local.

• "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-auto": usar un grupo paralelo local o remoto. 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 los workers con una GPU única realizan el cálculo de entrenamiento y los workers sobrantes pasan a estar inactivos. Si el grupo no tiene varias GPU, en su lugar el entrenamiento se realiza en todos los workers de las CPU disponibles. (desde R2024a)

  Antes de R2024a: En su lugar, use "parallel".

• "parallel-cpu": usar los recursos de la CPU en un grupo paralelo local o remoto, ignorando las GPU. Si no hay grupo paralelo actual, el software inicia uno mediante el perfil de cluster predeterminado. (desde R2023b)

• "parallel-gpu": usar las GPU en un grupo paralelo local o remoto. Los workers sobrantes pasan a estar inactivos. Si no hay grupo paralelo actual, el software inicia uno mediante el perfil de cluster predeterminado. (desde R2023b)

Las opciones "gpu", "multi-gpu", , "parallel-auto", "parallel-cpu" y "parallel-gpu" 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 obtener más información sobre cuándo utilizar los diferentes entornos de ejecución, consulte Scale Up Deep Learning in Parallel, on GPUs, and in the Cloud.

Para ver una mejora en el rendimiento durante el entrenamiento en paralelo, intente escalar las opciones de entrenamiento MiniBatchSize e InitialLearnRate en función del número de las GPU.

Las opciones "multi-gpu", , "parallel-auto", "parallel-cpu" y "parallel-gpu" solo admiten solvers estocásticos (cuando el argumento solverName es "sgdm", "adam" o "rmsprop").

PreprocessingEnvironment — Entorno para buscar y preprocesar datos

"serial" (predeterminado) | "background" | "parallel"

Desde R2024a

Entorno para buscar y preprocesar datos de un almacén de datos durante el entrenamiento, especificado como uno de estos valores:

• "serial": buscar y preprocesar datos en serie.

• "background": buscar y preprocesar datos usando el grupo de fondo.

• "parallel": buscar y preprocesar datos usando workers paralelos. El software abre un grupo paralelo local usando el perfil predeterminado, si no hay ningún grupo local abierto actualmente. Los grupos paralelos no locales no son compatibles. Para usar esta opción se necesita Parallel Computing Toolbox. Esta opción no es compatible cuando se entrena en paralelo (cuando la opción ExecutionEnvironment es "parallel-auto", "parallel-cpu", "parallel-gpu" o "multi-gpu").

Para usar las opciones "background" o "parallel", el almacén de datos de entrada debe ser subconfigurable o divisible en particiones. Los almacenes de datos personalizados deben implementar la clase matlab.io.datastore.Subsettable.

Las opciones "background" y "parallel" no son compatibles cuando la opción Shuffle es "never".

Si utiliza las opciones "background" y "parallel", el entrenamiento no es determinista, aunque utilice la función deep.gpu.deterministicAlgorithms.

Utilice la opción "background" cuando sus minilotes necesiten un preprocesamiento sustancial. Si el preprocesamiento no es compatible con hilos, o si necesita controlar el número de workers, utilice la opción "parallel". Para obtener más información sobre el entorno de preprocesamiento, consulte Preprocess Data in the Background or in Parallel.

Esta opción solo admite solvers estocásticos (cuando el argumento solverName es "sgdm", "adam" o "rmsprop").

Antes de R2024a: Para preprocesar datos en paralelo, establezca la opción de entrenamiento DispatchInBackground en 1 (true).

Acceleration — Optimización de rendimiento

"auto" (predeterminado) | "none"

Desde R2024a

Optimización del rendimiento, especificada como uno de estos valores:

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

• "none": deshabilita todas las optimizaciones.

El uso de la opción de aceleración "auto" puede ofrecer beneficios de rendimiento, pero 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 datos de entrada diferentes con el mismo tamaño y forma.

Puntos de control

CheckpointPath — Ruta para guardar las redes neuronales de puntos de control

"" (predeterminado) | escalar de cadena | vector de caracteres

Ruta para guardar las redes neuronales de puntos de control, especificada como un escalar de cadena o vector de caracteres.

• Si no especifica una ruta (es decir, si usa la opción predeterminada ""), el software no guarda ninguna red neuronal de puntos de control.

• Si especifica una ruta, el software guarda las redes neuronales de puntos de control en esta ruta y asigna un nombre único a cada red neuronal. Después, puede cargar cualquier red neuronal de puntos de control y retomar el entrenamiento desde esa red neuronal.

  Si la carpeta no existe, deberá crearla antes de especificar la ruta para guardar las redes neuronales de puntos de control. Si la ruta que especifica no existe, el software devuelve un error.

Tipos de datos: char | string

CheckpointFrequency — Frecuencia con la que se guardan redes neuronales de puntos de control

entero positivo

Frecuencia con la que se guardan redes neuronales de puntos de control, especificada como un entero positivo.

Si solverName es "lbfgs" o CheckpointFrequencyUnit es "iteration", el software guarda las redes neuronales de puntos de control cada CheckpointFrequency iteraciones. De lo contrario, el software guarda las redes neuronales de puntos de control cada CheckpointFrequency épocas.

Cuando solverName es "sgdm", "adam" o "rmsprop", el valor predeterminado es 1. Cuando solverName es "lbfgs" o "lm", el valor predeterminado es 30.

Esta opción tiene efecto cuando CheckpointPath no está vacío.

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

CheckpointFrequencyUnit — Unidad de frecuencia de punto de control

"epoch" (predeterminado) | "iteration"

Unidad de frecuencia de punto de control, especificada como "epoch" o "iteration".

Si CheckpointFrequencyUnit es "epoch", el software guarda las redes neuronales de puntos de control cada CheckpointFrequency épocas.

Si CheckpointFrequencyUnit es "iteration", el software guarda las redes neuronales de puntos de control cada CheckpointFrequency iteraciones.

Esta opción tiene efecto cuando CheckpointPath no está vacío.

Esta opción solo admite solvers estocásticos (cuando el argumento solverName es "sgdm", "adam" o "rmsprop").

Argumentos de salida

options — Opciones de entrenamiento

TrainingOptionsSGDM | TrainingOptionsRMSProp | TrainingOptionsADAM | TrainingOptionsLBFGS | TrainingOptionsLM

Opciones de entrenamiento, devueltas como un objeto TrainingOptionsSGDM, TrainingOptionsRMSProp, TrainingOptionsADAM, TrainingOptionsLBFGS, TrainingOptionsLM. Para entrenar una red neuronal, use las opciones de entrenamiento como un argumento de entrada para la función trainnet.

Sugerencias

• 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 Volver a entrenar redes neuronales para clasificar nuevas imágenes. 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. Para 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 usando 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.

Algoritmos

Pesos y sesgos iniciales

Para capas convolucionales y totalmente conectadas, la inicialización para los pesos y los sesgos se indica mediante las propiedades WeightsInitializer y BiasInitializer de las capas, respectivamente. Para ver ejemplos de cómo cambiar la inicialización para los pesos y los sesgos, consulte Specify Initial Weights and Biases in Convolutional Layer y Especificar pesos y sesgos iniciales en una capa totalmente conectada.

Gradiente descendente estocástico

El algoritmo de gradiente descendente estándar actualiza los parámetros de red (pesos y sesgos) para minimizar la función de pérdida realizando pequeños pasos en cada iteración en la dirección del gradiente negativo de la pérdida,

$${\theta }_{\ell +1}={\theta }_{\ell }-\alpha \nabla E\left({\theta }_{\ell }\right),$$

donde $$\ell$$es el número de iteración, $$\alpha >0$$ es la tasa de aprendizaje, $$\theta$$ es el vector de parámetros y $$E\left(\theta \right)$$ es la función de pérdida. En el algoritmo de gradiente descendente estándar, el gradiente de la función de pérdida, $$\nabla E\left(\theta \right)$$, se evalúa utilizando todo el conjunto de entrenamiento y el algoritmo de gradiente descendente estándar usa todo el conjunto de datos al mismo tiempo.

En cambio, en cada iteración el algoritmo de gradiente descendente estocástico evalúa el gradiente y actualiza los parámetros mediante un subconjunto de los datos de entrenamiento. En cada iteración se usa un subconjunto diferente, llamado minilote. La pasada completa del algoritmo de entrenamiento por todo el conjunto de entrenamiento usando minilotes es una época. El gradiente descendente estocástico es estocástico porque las actualizaciones de parámetros calculadas usando un minilote son una estimación con ruido de la actualización de parámetros que resultaría de usar el conjunto de datos completo.

Gradiente descendente estocástico con momento

El algoritmo de gradiente descendente estocástico puede oscilar por la ruta del descenso más pronunciado hacia el valor óptimo. Añadir un término de momento a la actualización de parámetros es una forma de reducir esta oscilación [2]. La actualización de gradiente descendente estocástico con momento (SGDM) es

$${\theta }_{\ell +1}={\theta }_{\ell }-\alpha \nabla E\left({\theta }_{\ell }\right)+\gamma \left({\theta }_{\ell }-{\theta }_{\ell -1}\right),$$

donde la tasa de aprendizaje α y el valor del momento $$\gamma$$ determinan la contribución del paso de gradiente previo a la iteración actual.

Propagación del valor cuadrático medio

El gradiente descendente estocástico con momento usa una única tasa de aprendizaje para todos los parámetros. Otros algoritmos de optimización buscan mejorar el entrenamiento de red usando tasas de aprendizaje que difieren según el parámetro y pueden adaptarse automáticamente a la función de pérdida que se optimiza. La propagación del valor cuadrático medio (RMSProp) es uno de estos algoritmos. Mantiene una media móvil de los cuadrados a nivel de elemento de los gradientes de parámetros,

$$v_{\ell }={\beta }_2{v}_{\ell -1}+(1-{\beta }_2){[\nabla E\left({\theta }_{\ell }\right)]}^2$$

β₂ es el factor de decaimiento de gradiente cuadrado de la media móvil. Los valores comunes de la tasa de decaimiento son 0,9, 0,99 y 0,999. Las correspondientes longitudes medias de los gradientes cuadrados son iguales a 1/(1-β₂), es decir, 10, 100 y 1000 actualizaciones de parámetros, respectivamente. El algoritmo RMSProp utiliza esta media móvil para normalizar las actualizaciones de cada parámetro individualmente,

$${\theta }_{\ell +1}={\theta }_{\ell }-\frac{\alpha \nabla E\left({\theta }_{\ell }\right)}{\sqrt{v_{\ell }}+ϵ}$$

donde la división se realiza a nivel de elemento. Utilizando RMSProp se reducen de forma efectiva las tasas de aprendizaje de los parámetros con gradientes grandes y se incrementan las tasas de aprendizaje de los parámetros con gradientes pequeños. ɛ es una constante pequeña añadida para evitar la división entre cero.

Estimación de momento adaptativo

La estimación de momento adaptativo (Adam) [4] usa una actualización de parámetros que es similar a RMSProp, pero con un término de momento añadido. Mantiene una media móvil a nivel de elemento tanto de los gradientes de parámetros como de sus valores cuadrados,

$$m_{\ell }={\beta }_1{m}_{\ell -1}+(1-{\beta }_1)\nabla E\left({\theta }_{\ell }\right)$$

$$v_{\ell }={\beta }_2{v}_{\ell -1}+(1-{\beta }_2){[\nabla E\left({\theta }_{\ell }\right)]}^2$$

Las tasas de decaimiento β₁ y β₂ son los factores de decaimiento de gradiente y de decaimiento de gradiente cuadrado, respectivamente. Adam usa las medias móviles para actualizar los parámetros de red como

$${\theta }_{\ell +1}={\theta }_{\ell }-\frac{\alpha m_l}{\sqrt{v_l}+ϵ}$$

El valor α es la tasa de aprendizaje. Si los gradientes a lo largo de varias iteraciones son similares, usar una media móvil del gradiente permite a las actualizaciones de parámetros coger impulso en una determinada dirección. Si los gradientes contienen principalmente ruido, la media móvil del gradiente se reduce, por lo que las actualizaciones de parámetros también se reducen. La actualización Adam completa incluye también un mecanismo para corregir un sesgo que aparece al principio del entrenamiento. Para obtener más información, consulte [4].

BFGS de memoria limitada

El algoritmo L-BFGS [5] es un método quasi-Newton que aproxima el algoritmo Broyden-Fletcher-Goldfarb-Shanno (BFGS). Utilice el algoritmo L-BFGS para redes pequeñas y conjuntos de datos que se pueden procesar en un solo lote.

El algoritmo actualiza los parámetros que se pueden aprender W en la iteración k+1 usando el paso de actualización dado por

$$W_{k+1}=W_k-{\eta }_k{B}_k^{-1}\nabla J(W_k),$$

donde W_k denota los pesos en la iteración k, $${\eta }_k$$ es la tasa de aprendizaje en la iteración k, B_k es una aproximación de la matriz hessiana en la iteración k y $$\nabla J(W_k)$$ denota los gradientes de la pérdida con respecto a los parámetros que se pueden aprender en la iteración k.

El algoritmo L-BFGS calcula directamente el producto matriz-vector $$B_k^{-1}\nabla J(W_k)$$. El algoritmo no requiere calcular la inversa de B_k.

Para ahorrar memoria, el algoritmo L-BFGS no almacena ni invierte la matriz hessiana densa B. En su lugar, el algoritmo usa la aproximación $$B_{k-m}^{-1}\approx {\lambda }_{k}I$$, donde m es el tamaño del historial, el factor hessiano inverso $${\lambda }_k$$ es un escalar e I es la matriz identidad. Después, el algoritmo almacena únicamente el factor hessiano inverso escalar. El algoritmo actualiza el factor hessiano inverso en cada paso.

Para calcular el producto matriz-vector $$B_k^{-1}\nabla J(W_k)$$ directamente, el algoritmo L-BFGS usa este algoritmo recursivo:

1. Se establece $$r=B_{k-m}^{-1}\nabla J(W_k)$$, donde m es el tamaño del historial.

2. Para $$i=m,\dots ,1$$:

   1. Sea $$\beta =\frac{1}{s_{k-i}^{\top }{y}_{k-i}}{y}_{k-i}^{\top }r$$, donde $$s_{k-i}$$ y $$y_{k-i}$$ son las diferencias de paso y gradiente para la iteración $$k-i$$, respectivamente.

   2. Establezca $$r=r+\text{}{s}_{k-i}\text{}\left(a_{k-i}-\beta \right)$$, donde $$a$$ se deriva de $$s$$, $$y$$ y los gradientes de la pérdida con respecto a la función de pérdida. Para obtener más información, consulte [5].

3. Se devuelve $$B_k^{-1}\nabla J(W_k)=r$$.

Levenberg-Marquardt

El algoritmo LM [6] interpola entre el descenso del gradiente y los métodos de Gauss-Newton, y puede ser más sólido para redes neuronales pequeñas. Se aproxima a las derivadas de segundo orden mediante un producto exterior jacobiano. Utilice el algoritmo LM para redes de regresión con un número reducido de parámetros que se pueden aprender, en las que se puede procesar el conjunto de datos en un único lote.

El algoritmo actualiza los parámetros W que se pueden aprender en la iteración k+1 utilizando el paso de actualización dado por

$$W_{k+1}=W_k+\Delta W_k,$$

, donde ΔW_k es el cambio de los pesos en la iteración k dado por

$$\Delta W_k=-{\left(H_k\right)}^{-1}\nabla E_k.$$

. En este caso, H_k es la matriz hessiana aproximada en la iteración k y $$\nabla E_k$$ es el gradiente de la pérdida en la iteración k con respecto a los parámetros que se pueden aprender. El algoritmo se aproxima a la matriz hessiana utilizando

$$H_k=J_k^{\top }{J}_k+{\mu }_{k}I,$$

, donde J_k es la matriz jacobiana en la iteración k, μ_k es el factor de amortiguación en la iteración k, y I es la matriz identidad.

El solver utiliza el factor de amortiguación para ajustar el tamaño del paso tomado en cada iteración y lo actualiza de forma adaptativa en cada iteración. Aumenta y disminuye el factor de amortiguación cuando las iteraciones aumentan y disminuyen la pérdida, respectivamente. Estos ajustes hacen que el optimizador dé pasos más grandes y más pequeños cuando la pérdida aumenta y disminuye, respectivamente.

Cuando la pérdida aumenta o disminuye, el solver aumenta o disminuye el factor de amortiguación de forma adaptativa, multiplicándolo por DampingIncreaseFactor y DampingDecreaseFactor, respectivamente.

Recorte de gradiente

Si los gradientes aumentan de magnitud exponencialmente, el entrenamiento es inestable y puede divergir en unas pocas iteraciones. Esta "explosión de gradiente" se indica por medio de una pérdida de entrenamiento que va a NaN o Inf. El recorte de gradiente ayuda a evitar la explosión de gradiente estabilizando el entrenamiento en tasas de aprendizaje mayores y en presencia de valores atípicos [3]. El recorte de gradiente permite entrenar las redes más rápidamente y normalmente no afecta a la precisión de la tarea aprendida.

Hay dos tipos de recorte de gradiente.

• El recorte de gradiente basado en normas vuelve a escalar el gradiente en base a un umbral y no cambia la dirección del gradiente. Los valores "l2norm" y "global-l2norm" de GradientThresholdMethod son métodos de recorte de gradiente basados en normas.

• El recorte de gradiente basado en valores acorta cualquier derivada parcial mayor que el umbral, lo que puede provocar que el gradiente cambie de dirección arbitrariamente. El recorte de gradiente basado en valores puede tener un comportamiento impredecible, pero los cambios suficientemente pequeños no hacen que la red diverja. El valor "absolute-value" de GradientThresholdMethod es un método de recorte de gradiente basado en valores.

Regularización L₂

Añadir un término de regularización para los pesos a la función de pérdida $$E\left(\theta \right)$$ es una forma de reducir el sobreajuste [1], [2]. El término de regularización también se llama decaimiento de peso. La función de pérdida con el término de regularización toma la forma

$$E_R\left(\theta \right)=E\left(\theta \right)+\lambda \Omega \left(w\right),$$

donde $$w$$ es el vector de peso, $$\lambda$$ es el factor de regularización (coeficiente) y la función de regularización $$\Omega \left(w\right)$$ es

$$\Omega \left(w\right)=\frac{1}{2}{w}^{T}w.$$

Tenga en cuenta que los sesgos no están regularizados [2]. Puede especificar el factor de regularización $$\lambda$$ mediante la opción de entrenamiento L2Regularization. También puede especificar factores de regularización para capas individuales y parámetros que se pueden aprender usando la función setL2Factor.

La función de pérdida que el software utiliza para el entrenamiento de red incluye el término de regularización. No obstante, el valor de pérdida mostrado en la ventana de comandos y la gráfica de progreso del entrenamiento durante el entrenamiento es solo la pérdida en los datos y no incluye el término de regularización.

Referencias

[1] Bishop, C. M. Pattern Recognition and Machine Learning. Springer, New York, NY, 2006.

[2] Murphy, K. P. Machine Learning: A Probabilistic Perspective. The MIT Press, Cambridge, Massachusetts, 2012.

[3] Pascanu, R., T. Mikolov, and Y. Bengio. "On the difficulty of training recurrent neural networks". Proceedings of the 30th International Conference on Machine Learning. Vol. 28(3), 2013, pp. 1310–1318.

[4] Kingma, Diederik, and Jimmy Ba. "Adam: A method for stochastic optimization." arXiv preprint arXiv:1412.6980 (2014).

[5] Liu, Dong C., and Jorge Nocedal. "On the limited memory BFGS method for large scale optimization." Mathematical programming 45, no. 1 (August 1989): 503-528. https://doi.org/10.1007/BF01589116.

[6] Marquardt, Donald W. “An Algorithm for Least-Squares Estimation of Nonlinear Parameters.” Journal of the Society for Industrial and Applied Mathematics 11, no. 2 (June 1963): 431–41. https://doi.org/10.1137/0111030.

Historial de versiones

Introducido en R2016a

R2025a: Especificar codificación numérica para entradas y objetivos categóricos

Para especificar cómo convertir entradas y objetivos categóricos a valores numéricos para entrenar una red neuronal, utilice los argumentos CategoricalInputEncoding y CategoricalTargetEncoding, respectivamente.

R2025a: Especificar las tolerancias de gradiente y paso como cero

Para evitar que los valores de los gradientes relativos o el tamaño de paso detengan el entrenamiento cuando se usen los solvers L-BFGS o LM, establezca los argumentos GradientTolerance y StepTolerance de la función trainingOptions en 0, respectivamente.

R2025a: Métricas: Monitorizar y representar la métrica R²

Monitorice y represente la métrica R² durante el entrenamiento.

Para utilizar esta métrica para la monitorización y la representación del comportamiento durante el entrenamiento, especifíquela con Metrics. Puede especificar "rsquared" o, si necesita mayor personalización, puede crear un objeto RSquaredMetric.

R2024b: Entrenar redes neuronales usando más programaciones de tasa de aprendizaje

Entrene redes neuronales utilizando las siguientes programaciones de la tasa de aprendizaje, especificándolos como argumento LearnRateSchedule de la función trainingOptions:

• "warmup": programación de la tasa de aprendizaje de calentamiento

• "polynomial": programación de la tasa de aprendizaje polinómica

• "exponential": programación de la tasa de aprendizaje exponencial

• "cosine": programación de la tasa de aprendizaje del coseno

• "cyclical": programación de la tasa de aprendizaje cíclica

Para personalizar estas programaciones de la tasa de aprendizaje, utilice los siguientes objetos:

• warmupLearnRate: objeto de programación de la tasa de aprendizaje de calentamiento

• polynomialLearnRate: programación de la tasa de aprendizaje polinómica

• exponentialLearnRate: programación de la tasa de aprendizaje exponencial

• cosineLearnRate: programación de la tasa de aprendizaje del coseno

• cyclicalLearnRate: programación de la tasa de aprendizaje cíclica

En versiones anteriores, se podía entrenar utilizando una programación de la tasa de aprendizaje por partes o incluso sin ninguna programación de la tasa de aprendizaje.

Para personalizar la programación de la tasa de aprendizaje por partes existente, utilice un objeto piecewiseLearnRate.

Para especificar una programación personalizada, utilice un identificador de función con la sintaxis learnRate = f(initialLearnRate,epoch) o defina su propio objeto de programación de la tasa de aprendizaje personalizado definiendo una clase que herede de deep.LearnRateSchedule.

R2024b: Entrenar usando el solver Levenberg-Marquardt

Entrene una red neuronal utilizando el solver Levenberg-Marquardt (LM). Utilice el algoritmo LM para redes de regresión con un número reducido de parámetros que se pueden aprender, en las que se puede procesar el conjunto de datos en un único lote.

Para utilizar el solver LM con la función trainnet, cree un objeto TrainingOptionsLM especificando el argumento solverName como "lm". Puede personalizar el solver LM utilizando las siguientes opciones de entrenamiento nuevas:

• InitialDampingFactor: factor de amortiguamiento inicial

• MaxDampingFactor: factor de amortiguamiento máximo

• DampingDecreaseFactor: factor de disminución de amortiguamiento

• DampingIncreaseFactor: factor de aumento de amortiguamiento

R2024b: Monitorizar y representar más métricas durante el entrenamiento

Utilice objetos métricos nuevos y actualizados durante el entrenamiento y la prueba de redes.

• MAPEMetric: error porcentual absoluto medio (MAPE)

• AccuracyMetric con la nueva opción NumTopKClasses: precisión Top-k

• FScoreMetric con la nueva opción Beta: puntuación F_β

También puede especificar directamente estos nuevos nombres de métricas integradas y de pérdidas:

• "mape": error porcentual absoluto medio (MAPE)

• "crossentropy": pérdida de entropía cruzada

• "index-crossentropy": índice de pérdida de entropía cruzada

• "binary-crossentropy": pérdida de entropía cruzada binaria

• "mse" / "mean-squared-error" / "l2loss": error cuadrático medio

• "mae" / "mean-absolute-error" / "l1loss": error medio absoluto

• "huber": pérdida de Huber

R2024b: Especificar el tamaño del paso inicial para el solver L-BFGS

Especifique el tamaño del paso inicial para el solver L-BFGS usando el argumento InitialStepSize.

R2024a: Especificar los datos de validación con un objeto minibatchqueue

Especifique los datos de validación como un objeto minibatchqueue mediante el argumento ValidationData.

R2024a: Optimización automática del rendimiento

Acelere el entrenamiento con la optimización automática del rendimiento. Cuando entrena una red mediante la función trainnet, la optimización automática del rendimiento se habilita de forma predeterminada. Puede deshabilitar la optimización del rendimiento estableciendo la opción Acceleration en "none" mediante la función trainingOptions.

R2024a: Especificar métricas como un objeto deep.DifferentiableFunction

Especifique las métricas como un objeto deep.DifferentiableFunction.

R2024a: No se recomienda establecer SequenceLength como un número entero

No se recomienda establecer SequenceLength como un número entero; en su lugar, establezca SequenceLength como "longest" o "shortest".

Para los flujos de trabajo trainNetwork (no recomendado), puede establecer SequenceLength como un número entero. Si SequenceLength es un número entero, para cada minilote, el software rellena las secuencias hasta la longitud de la secuencia más larga del minilote y, después, divide las secuencias en secuencias más pequeñas de la longitud especificada. Si se produce la división, el software crea minilotes adicionales y actualiza el estado recurrente de la red entre estos minilotes. Si la longitud de secuencia especificada no divide uniformemente las longitudes de secuencia de los datos, entonces los minilotes que contienen las unidades de tiempo finales de las secuencias tienen una longitud más corta que la longitud de secuencia especificada.

R2024a: La opción de entrenamiento DispatchInBackground no está recomendada

La opción de entrenamiento DispatchInBackground no está recomendada. Utilice la opción PreprocessingEnvironment en su lugar.

La opción PreprocessingEnvironment proporciona la misma funcionalidad y también le permite usar backgroundPool para el preprocesamiento cuando establece PreprocessingEnvironment como "background".

Esta tabla muestra cómo actualizar el código:

No recomendado	Recomendado
trainingOptions(solverName,DispatchInBackground=false) (valor predeterminado)	trainingOptions(solverName,PreprocessingEnvironment="serial") (valor predeterminado)
trainingOptions(solverName,DispatchInBackground=true)	trainingOptions(solverName,PreprocessingEnvironment="parallel")

No está previsto eliminar la opción DispatchInBackground.

R2024a: El valor predeterminado de OutputNetwork es "auto"

A partir de la versión R2024a, el valor predeterminado de la opción de entrenamiento OutputNetwork es "auto". Si ha especificado datos de validación, el software devuelve la red correspondiente al mejor valor de métrica de validación. Si no ha especificado datos de validación, el software devuelve la red correspondiente a la última iteración de entrenamiento. Si tiene datos de validación y desea replicar el valor predeterminado anterior, establezca OutputNetwork como "last-iteration".

Este cambio se aplica cuando se utilizan las opciones de entrenamiento únicamente con trainnet. Si está utilizando las opciones de entrenamiento con la función trainNetwork, entonces no hay ningún cambio en el comportamiento y, de forma predeterminada, el software devuelve la red correspondiente a la última iteración de entrenamiento.

R2024a: El valor "best-validation-loss" de OutputNetwork no está recomendado

No se recomienda especificar OutputNetwork como "best-validation-loss". Si tiene un código que establece OutputNetwork como "best-validation-loss", utilice "best-validation" en su lugar. El software devuelve la red correspondiente al mejor valor de métrica de validación según lo especificado por la opción ObjectiveMetricName. De forma predeterminada, el valor ObjectiveMetricName se establece como "loss". Este comportamiento se aplica cuando se utilizan las opciones de entrenamiento únicamente con la función trainnet.

Cuando utiliza las opciones de entrenamiento con la función trainNetwork, si especifica OutputNetwork como "best-validation", el software siempre devuelve la red con el mejor valor de pérdida de validación.

R2024a: El valor "parallel" de ExecutionEnvironment no está recomendado

A partir de la versión R2024a, no se recomienda especificar la opción ExecutionEnvironment como "parallel". En su lugar, use "parallel-auto".

"parallel-auto" tiene estas ventajas respecto a "parallel":

• El nombre de la opción describe con mayor precisión el entorno de ejecución, ya que el software se entrena en paralelo de forma automática utilizando cualquier hardware disponible.

• El nombre de la opción es coherente con el equivalente en serie, "auto".

No está previsto eliminar la opción "parallel". "parallel-auto" solo admite la función trainnet. Si está utilizando las opciones de entrenamiento con la función trainNetwork, continúe usando "parallel".

R2024a: La opción de entrenamiento WorkerLoad no está recomendada

A partir de la versión R2024a, no se recomienda especificar la opción de entrenamiento WorkerLoad. Utilice spmd (Parallel Computing Toolbox) o la variable de entorno CUDA_VISIBLE_DEVICES en su lugar.

No está previsto eliminar el soporte para las redes de entrenamiento WorkerLoad que utilizan la función trainNetwork. WorkerLoad no es compatible con las redes de entrenamiento que utilizan la función trainnet.

Esta tabla muestra algunos usos habituales de WorkerLoad y cómo actualizar el código para usar spmd o la variable de entorno CUDA_VISIBLE_DEVICES en su lugar.

No recomendado	Recomendado
options = trainingOptions(solver, ... ExecutionEnvironment="multi-gpu", ... WorkerLoad=[1 1 0 1]);	% Alternative 1 pool = parpool(3); spmd if spmdIndex == 3 gpuDevice(spmdIndex + 1); else gpuDevice(spmdIndex); end end options = trainingOptions(solver, ... ExecutionEnvironment="multi-gpu"); % Alternative 2 % Set this environment variable immediately after your start MATLAB. setenv("CUDA_VISIBLE_DEVICES","0,1,3"); options = trainingOptions(solver, ... ExecutionEnvironment="multi-gpu");
options = trainingOptions(solver, ... ExecutionEnvironment="parallel", ... WorkerLoad=[1 1 0 1]);	pool = parpool(3); spmd if spmdIndex == 3 gpuDevice(spmdIndex + 1); else gpuDevice(spmdIndex); end end options = trainingOptions(solver, ... ExecutionEnvironment="parallel-auto");

Si anteriormente usaba la opción WorkerLoad para reservar un worker para preprocesar sus datos, considere también preprocesar sus datos en segundo plano especificando la opción PreprocessingEnvironment como "background".

R2023b: Entrenar una red neuronal usando el solver L-BFGS

Entrene una red neuronal usando el solver L-BFGS especificando solverName como "lbfgs". Utilice el algoritmo L-BFGS para redes pequeñas y conjuntos de datos que se pueden procesar en un solo lote. Para personalizar el solver L-BFGS, use las propiedades Opciones de solver por lotes.

Esta opción solo admite la función trainnet.

R2023b: Especificar los formatos de los datos de entrada y objetivo

Especifique los formatos de los datos de entrada y objetivo usando las opciones InputDataFormats y TargetDataFormats, respectivamente.

Esta opción solo admite la función trainnet.

R2023b: Entrenar una red neuronal en paralelo usando solo recursos de CPU o GPU

Entrene una red neuronal en paralelo usando recursos de hardware específicos indicando ExecutionEnvironment como "parallel-cpu" o "parallel-gpu".

Esta opción solo admite la función trainnet.

R2023b: El valor predeterminado de BatchNormalizationStatistics es "auto"

A partir de la versión R2023b, el valor predeterminado de la opción de entrenamiento BatchNormalizationStatistics es "auto".

Este cambio no afecta al comportamiento de la función. Si tiene código que comprueba la propiedad BatchNormalizationStatistics, actualícelo para tener en cuenta la opción "auto".

R2022b: trainNetwork rellena minilotes hasta la longitud de la secuencia más larga antes de dividirla cuando se especifica la opción de entrenamiento SequenceLength como un número entero

A partir de la versión R2022b, cuando se entrena una red neuronal con datos secuenciales utilizando la función trainNetwork y la opción SequenceLength es un número entero, el software rellena las secuencias hasta la longitud de la secuencia más larga en cada minilote y, luego, divide las secuencias en minilotes con la longitud de secuencia especificada. Si SequenceLength no divide uniformemente la longitud de la secuencia del minilote, entonces el último minilote dividido tiene una longitud más corta que SequenceLength. Este comportamiento evita el entrenamiento de la red neuronal en unidades de tiempo que contengan solo valores de relleno.

En versiones anteriores, el software rellena los minilotes de secuencias para que tengan una longitud que coincida con el múltiplo más cercano de SequenceLength que sea mayor o igual a la longitud del minilote y, luego, divide los datos. Para reproducir este comportamiento, utilice un ciclo de entrenamiento personalizado e implemente este comportamiento al preprocesar minilotes de datos.

R2018b: El valor predeterminado de la opción de entrenamiento ValidationPatience es Inf

A partir de la versión R2018b, el valor predeterminado de la opción de entrenamiento ValidationPatience es Inf, lo que significa que la detención automática mediante validación está desactivada. Este comportamiento evita que el entrenamiento se detenga antes de haber obtenido un aprendizaje suficiente de los datos.

En versiones anteriores, el valor predeterminado es 5. Para reproducir este comportamiento, establezca la opción ValidationPatience en 5.

R2018b: Diferente nombre de archivo para redes de puntos de control

A partir de la versión R2018b, al guardar redes de puntos de control, el software asigna nombres de archivo que empiezan por net_checkpoint_. En versiones anteriores, el software asigna nombres de archivo que empiezan por convnet_checkpoint_.

Si tiene código que guarda y carga redes de puntos de control, actualice su código para cargar archivos con el nuevo nombre.

Consulte también

trainnet | dlnetwork | analyzeNetwork | Deep Network Designer

Temas

• Crear una red neuronal de deep learning sencilla para clasificación
• Volver a entrenar redes neuronales para clasificar nuevas imágenes
• Resume Training from Checkpoint Network
• Deep learning con big data en CPU, GPU, en paralelo y en la nube
• Define Custom Training Loops, Loss Functions, and Networks
• Deep Learning Metrics