SeriesNetwork

(Déconseillé) Réseau série pour le Deep Learning

L’utilisation d’objets SeriesNetwork est déconseillée. Utilisez des objets dlnetwork à la place. Pour plus d’informations, veuillez consulter Historique des versions.

Description

Un réseau série est un réseau de neurones pour le Deep Learning dont les couches sont disposées l’une après l’autre. Il possède une seule couche d’entrée et une seule couche de sortie.

Création

Il existe plusieurs façons de créer un objet SeriesNetwork :

• Chargez un réseau préentraîné, par exemple avec alexnet, darknet19, vgg16 ou vgg19.

• Entraînez ou affinez un réseau avec trainNetwork. Vous trouverez un exemple dans Entraîner le réseau pour la classification d’images.

• Assemblez un réseau de Deep Learning à partir de couches préentraînées avec la fonction assembleNetwork.

Remarque

Pour découvrir d’autres réseaux préentraînés comme googlenet et resnet50, veuillez consulter Pretrained Deep Neural Networks.

Propriétés

Layers — Couches du réseau

tableau Layer

Ce propriété est en lecture seule.

Couches du réseau, définies par un tableau Layer.

InputNames — Noms des couches d’entrée

cell array de vecteurs de caractères

Ce propriété est en lecture seule.

Noms des couches d’entrée, définis par un cell array de vecteurs de caractères.

Types de données : cell

OutputNames — Noms des couches de sortie

cell array

Ce propriété est en lecture seule.

Noms des couches de sortie, définis par un cell array de vecteurs de caractères.

Types de données : cell

Fonctions d'objet

activations	(Not recommended) Compute deep learning network layer activations
classify	(Not recommended) Classify data using trained deep learning neural network
predict	(Not recommended) Predict responses using trained deep learning neural network
predictAndUpdateState	(Not recommended) Predict responses using a trained recurrent neural network and update the network state
classifyAndUpdateState	(Not recommended) Classify data using a trained recurrent neural network and update the network state
resetState	Reset state parameters of neural network
plot	Plot neural network architecture

Exemples

Entraîner le réseau pour la classification d’images

Entraînez le réseau pour la classification d’images

Chargez les données comme un objet ImageDatastore.

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

Le datastore contient 10 000 images synthétiques de chiffres allant de 0 à 9. La génération des images s’effectue en appliquant des transformations aléatoires aux images de chiffres créées avec différentes polices. Chaque image pour un chiffre est une image de 28 x 28 pixels. Le datastore contient le même nombre d’images par catégorie.

Affichez certaines images dans le datastore.

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

Divisez le datastore de sorte que chaque catégorie du jeu d’apprentissage contienne 750 images et que le jeu de test contienne les images restantes pour chaque étiquette.

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

splitEachLabel divise les fichiers image de digitData en deux nouveaux datastores, imdsTrain et imdsTest.

Définissez l’architecture du réseau de neurones à convolution.

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

Définissez les options en utilisant les paramètres par défaut pour la descente de gradient stochastique avec momentum. Définissez le nombre maximal d’epochs à 20 et commencez l’apprentissage avec un taux d’apprentissage initial de 0,0001.

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

Entraînez le réseau.

net = trainNetwork(imdsTrain,layers,options);

Exécutez le réseau entraîné sur le jeu de test qui n’a pas servi à l’entraîner et réalisez les prédictions sur les étiquettes des images (chiffres).

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

Calculez la précision. La précision est le rapport entre le nombre d’étiquettes vraies dans les données de test qui correspondent aux classifications de classify et le nombre d’images dans ces données de test.

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

accuracy = 0.9416

Capacités étendues

Génération de code C/C++

Générez du code C et C++ avec MATLAB® Coder™.

Notes d’usage et limitations :

• Seules les fonctions activations, classify, predict, predictAndUpdateState, classifyAndUpdateState et resetState sont supportées.

Génération de code GPU

Générez du code CUDA® pour les GPU NVIDIA® avec GPU Coder™.

Notes d'usage et limitations :

• Seules les fonctions activations, classify, predict, predictAndUpdateState, classifyAndUpdateState et resetState sont supportées.

Historique des versions

Introduit dans R2016a

R2024a: Déconseillé

À partir de R2024a, l’utilisation d’objets SeriesNetwork est déconseillée. Utilisez les objets dlnetwork à la place.

Il n’est pas prévu de supprimer le support des objets SeriesNetwork. Cependant, les objets dlnetwork présentent les avantages suivants et sont recommandés à la place :

• Un objet dlnetwork est un type de données unifié qui supporte la création de réseau, la prédiction, l’apprentissage prédéfini, la visualisation, la compression, la vérification et les boucles d’apprentissage personnalisées.

• Les objets dlnetwork supportent un plus large éventail d’architectures de réseau que vous pouvez créer ou importer à partir de plateformes externes.

• La fonction trainnet supporte les objets dlnetwork, ce qui vous permet de spécifier facilement des fonctions de perte. Vous pouvez sélectionner une fonction de perte prédéfinie ou spécifier une fonction de perte personnalisée.

• L’apprentissage et la prédiction avec des objets dlnetwork sont généralement plus rapides que les workflows LayerGraph et trainNetwork.

Pour convertir un objet SeriesNetwork entraîné en objet dlnetwork, utilisez la fonction dag2dlnetwork.

Le tableau suivant indique quelques utilisations courantes des objets SeriesNetwork et comment mettre à jour votre code pour qu’il utilise les fonctions de l'objet dlnetwork à la place.

Déconseillé	Recommandé
Y = predict(net,X);	Y = minibatchpredict(net,X);
Y = classify(net,X);	scores = minibatchpredict(net,X); Y = scores2label(scores,classNames);
plot(net);	plot(net);
Y = activations(net,X,layerName);	Y = predict(net,X,Outputs=layerName);
[net,Y] = predictAndUpdateState(net,X);	[Y,state] = predict(net,X); net.State = state;
[net,Y] = classifyAndUpdateState(net,X);	[scores,state] = predict(net,X); Y = scores2label(scores,classNames); net.State = state;

Voir aussi

dlnetwork | imagePretrainedNetwork | trainingOptions | trainnet | minibatchpredict | scores2label | dag2dlnetwork | predict | analyzeNetwork | plot

Rubriques

• Créer un réseau de neurones simple de Deep Learning pour la classification
• Train Convolutional Neural Network for Regression
• Classification de séquences avec le Deep Learning
• Deep Learning in MATLAB
• Define Custom Deep Learning Layers
• Long Short-Term Memory Neural Networks