SeriesNetwork
（不推荐）用于深度学习的串行网络
说明
串行网络是一种用于深度学习的神经网络，具有依次排列的各个层。它有一个输入层和一个输出层。
创建对象
创建 SeriesNetwork 对象有多种方法：
使用
trainNetwork训练或微调一个网络。有关示例，请参阅训练用于图像分类的网络。使用
assembleNetwork函数从预训练的层组合为一个深度学习网络。
注意
要了解其他预训练网络，如 googlenet 和 resnet50，请参阅预训练的深度神经网络。
属性
对象函数
activations | （不推荐）计算深度学习网络层激活值 |
classify | （不推荐）使用经过训练的深度学习神经网络对数据进行分类 |
predict | （不推荐）使用经过训练的深度学习神经网络预测响应 |
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 | 绘制神经网络架构 |
示例
训练用于图像分类的网络。
将数据作为 ImageDatastore 对象加载。
digitDatasetPath = fullfile(matlabroot,'toolbox','nnet', ... 'nndemos','nndatasets','DigitDataset'); imds = imageDatastore(digitDatasetPath, ... 'IncludeSubfolders',true, ... 'LabelSource','foldernames');
该数据存储包含 10,000 个数字 0 至 9 的合成图像。这些图像是通过对使用不同字体创建的数字图像应用随机变换生成的。每个数字图像为 28×28 像素。该数据存储包含的每个类别都有相同数量的图像。
显示数据存储中的部分图像。
figure numImages = 10000; perm = randperm(numImages,20); for i = 1:20 subplot(4,5,i); imshow(imds.Files{perm(i)}); drawnow; end
划分数据存储，使训练集中的每个类别包含 750 个图像，测试集包含对应每个标签的其余图像。
numTrainingFiles = 750; [imdsTrain,imdsTest] = splitEachLabel(imds,numTrainingFiles, ... 'randomize');
splitEachLabel 将 digitData 中的图像文件拆分为两个新的数据存储，imdsTrain 和 imdsTest。
定义卷积神经网络架构。
layers = [ ... imageInputLayer([28 28 1]) convolution2dLayer(5,20) reluLayer maxPooling2dLayer(2,'Stride',2) fullyConnectedLayer(10) softmaxLayer classificationLayer];
将选项设置为带动量的随机梯度下降的默认设置。将最大训练轮数设置为 20，以 0.0001 的初始学习率开始训练。
options = trainingOptions('sgdm', ... 'MaxEpochs',20,... 'InitialLearnRate',1e-4, ... 'Verbose',false, ... 'Plots','training-progress');
训练网络。
net = trainNetwork(imdsTrain,layers,options);
基于未用于训练网络的测试集运行经过训练的网络，并预测图像标签（数字）。
YPred = classify(net,imdsTest); YTest = imdsTest.Labels;
计算准确度。准确度是测试数据中与来自 classify 的分类匹配的真实标签数量与测试数据中图像数量的比率。
accuracy = sum(YPred == YTest)/numel(YTest)
accuracy = 0.9416
