trainNetwork

图像数据，指定为下列值之一：

对于具有多个输入的神经网络，数据存储必须为 TransformedDatastore 或 CombinedDatastore 对象。

数据存储

数据存储用于读取小批量的图像和响应值。当您有无法放入内存的数据或要对数据应用增强或变换时，最适合使用数据存储。

对于图像数据，下表列出了直接与 trainNetwork 兼容的数据存储。

例如，您可以使用 imageDatastore 函数创建一个图像数据存储，并通过将 'LabelSource' 选项设置为 'foldernames' 来使用包含图像的文件夹的名称作为标签。您也可以使用图像数据存储的 Labels 属性手动指定标签。

通过使用 transform 和 combine 函数，您可以使用其他内置数据存储来训练深度学习神经网络。这些函数可以将从数据存储中读取的数据转换为 trainNetwork 所需的格式。

对于具有多个输入的神经网络，数据存储必须为 TransformedDatastore 或 CombinedDatastore 对象。

数据存储输出所需的格式取决于神经网络架构。

data = read(ds)

data =

  4×2 table

        Predictors        Response
    __________________    ________

    {224×224×3 double}       2    
    {224×224×3 double}       7    
    {224×224×3 double}       9    
    {224×224×3 double}       9  

data = read(ds)

data =

  4×2 cell array

    {224×224×3 double}    {[2]}
    {224×224×3 double}    {[7]}
    {224×224×3 double}    {[9]}
    {224×224×3 double}    {[9]}

data = read(ds)

data =

  4×3 cell array

    {224×224×3 double}    {128×128×3 double}    {[2]}
    {224×224×3 double}    {128×128×3 double}    {[2]}
    {224×224×3 double}    {128×128×3 double}    {[9]}
    {224×224×3 double}    {128×128×3 double}    {[9]}

预测变量的格式取决于数据的类型。

对于表中返回的预测变量，元素必须包含数值标量、数值行向量或包含数值数组的 1×1 元胞数组。

响应的格式取决于任务的类型。

对于表中返回的响应，元素必须为分类标量、数值标量、数值行向量或包含数值数组的 1×1 元胞数组。

有关详细信息，请参阅Datastores for Deep Learning。

数值数组

对于可放入内存并且不需要增强等额外处理的数据，您可以将图像数据集指定为数值数组。如果将图像指定为数值数组，则还必须指定 responses 参量。

数值数组的大小和形状取决于图像数据的类型。

表

作为数据存储或数值数组的替代方法，您还可以在表中指定图像和响应。如果您将图像指定为表，则您还可以使用 responses 参量指定哪些列包含响应。

当在表中指定图像和响应时，表中的每行对应一个观测值。

对于图像输入，预测变量必须位于表的第一列，指定为以下项之一：

响应的格式取决于任务的类型。

对于具有图像输入的神经网络，如果不指定 responses，则默认情况下，该函数使用 tbl 的第一列作为预测变量，后续列作为响应。

序列或时间序列数据，指定为下列各项之一：

数据存储

数据存储读取若干小批量序列和响应。当您有无法放入内存的数据或要对数据应用变换时，最适合使用数据存储。

对于序列数据，下表列出了直接与 trainNetwork 兼容的数据存储。

通过使用 transform 和 combine 函数，您可以使用其他内置数据存储来训练深度学习神经网络。这些函数可以将从数据存储中读取的数据转换为 trainNetwork 所需的表或元胞数组格式。例如，您可以分别使用 ArrayDatastore 和 TabularTextDatastore 对象变换和合并从内存数组与 CSV 文件中读取的数据。

数据存储必须以表或元胞数组的形式返回数据。自定义小批量数据存储必须输出表。

data = read(ds)

data =

  4×2 table

        Predictors        Response
    __________________    ________

    {12×50 double}           2    
    {12×50 double}           7    
    {12×50 double}           9    
    {12×50 double}           9  

data = read(ds)

data =

  4×2 cell array

    {12×50 double}        {[2]}
    {12×50 double}        {[7]}
    {12×50 double}        {[9]}
    {12×50 double}        {[9]}

预测变量的格式取决于数据的类型。

对于表中返回的预测变量，元素必须包含数值标量、数值行向量或包含数值数组的 1×1 元胞数组。

响应的格式取决于任务的类型。

对于表中返回的响应，元素必须为分类标量、数值标量、数值行向量或包含数值数组的 1×1 元胞数组。

有关详细信息，请参阅Datastores for Deep Learning。

数值数组或元胞数组

对于可放入内存并且不需要自定义变换等额外处理的数据，可以将单个序列指定为数值数组，或将序列数据集指定为由数值数组组成的元胞数组。如果将序列指定为元胞或数值数组，则还必须指定 responses 参量。

对于元胞数组输入，元胞数组必须为由数值数组组成的 N×1 元胞数组，其中 N 是观测值数目。表示序列的数值数组的大小和形状取决于序列数据的类型。

trainNetwork 函数支持最多具有一个序列输入层的神经网络。

特征数据，指定为下列各项之一：

数据存储

数据存储读取小批量的特征数据和响应。当您有无法放入内存的数据或要对数据应用变换时，最适合使用数据存储。

对于特征数据，下表列出了直接与 trainNetwork 兼容的数据存储。

通过使用 transform 和 combine 函数，您可以使用其他内置数据存储来训练深度学习神经网络。这些函数可以将从数据存储中读取的数据转换为 trainNetwork 所需的表或元胞数组格式。有关详细信息，请参阅Datastores for Deep Learning。

对于具有多个输入的神经网络，数据存储必须为 TransformedDatastore 或 CombinedDatastore 对象。

数据存储必须以表或元胞数组的形式返回数据。自定义小批量数据存储必须输出表。数据存储输出的格式取决于神经网络架构。

data = read(ds)

data =

  4×2 table

        Predictors        Response
    __________________    ________

    {24×1 double}            2    
    {24×1 double}            7    
    {24×1 double}            9    
    {24×1 double}            9  

data = read(ds)

data =

  4×2 cell array

    {24×1 double}    {[2]}
    {24×1 double}    {[7]}
    {24×1 double}    {[9]}
    {24×1 double}    {[9]}

data = read(ds)

data =

  4×3 cell array

    {24×1 double}    {28×1 double}    {[2]}
    {24×1 double}    {28×1 double}    {[2]}
    {24×1 double}    {28×1 double}    {[9]}
    {24×1 double}    {28×1 double}    {[9]}

预测变量必须为 c×1 列向量，其中 c 是特征数。

响应的格式取决于任务的类型。

有关详细信息，请参阅Datastores for Deep Learning。

表

对于可放入内存且不需要自定义变换等其他处理的特征数据，可以将特征数据和响应指定为表。

表中的每行对应一个观测值。预测变量和响应在表列中的排列取决于任务的类型。

对于具有特征输入的分类神经网络，如果未指定 responses 参量，则默认情况下，该函数将 tbl 的前 (numColumns - 1) 个列用作预测变量，最后一列用作标签，其中 numFeatures 是输入数据中的特征数。

对于具有特征输入的回归神经网络，如果未指定 responseNames 参量，则默认情况下，该函数将前 numFeatures 个列用于预测变量，后续列用于响应，其中 numFeatures 是输入数据中的特征数。

数值数组

对于可放入内存且不需要自定义变换等额外处理的特征数据，可以将特征数据指定为数值数组。如果将特征数据指定为数值数组，则还必须指定 responses 参量。

数值数组必须为 N×numFeatures 的数值数组，其中 N 是观测值数目，numFeatures 是输入数据的特征数。

混合数据和响应，指定为以下项之一：

通过使用 transform 和 combine 函数，您可以使用其他内置数据存储来训练深度学习神经网络。这些函数可以将从数据存储中读取的数据转换为 trainNetwork 所需的表或元胞数组格式。有关详细信息，请参阅Datastores for Deep Learning。

数据存储必须以表或元胞数组的形式返回数据。自定义小批量数据存储必须输出表。数据存储输出的格式取决于神经网络架构。

data = read(ds)

data =

  4×3 cell array

    {24×1 double}    {28×1 double}    {[2]}
    {24×1 double}    {28×1 double}    {[2]}
    {24×1 double}    {28×1 double}    {[9]}
    {24×1 double}    {28×1 double}    {[9]}

对于图像、序列和特征预测变量输入，预测变量的格式必须分别与 images、sequences 或 features 参量描述中所述的格式匹配。同样，响应的格式必须与 images、sequences 或 features 参量描述中所述的与任务类型对应的格式匹配。

trainNetwork 函数支持最多具有一个序列输入层的神经网络。

有关如何训练具有多个输入的神经网络的示例，请参阅Train Network on Image and Feature Data。

响应。

当输入数据是数值数组或元胞数组时，请将响应指定为以下项之一。

当输入数据是表时，您可以选择指定表中的哪些列包含以下响应之一：

当输入数据是数值数组或元胞数组时，响应的格式取决于任务的类型。

神经网络层，指定为 Layer 数组或 LayerGraph 对象。

要创建一个所有层都按顺序连接的神经网络，您可以使用 Layer 数组作为输入参量。在这种情况下，返回的神经网络是一个 SeriesNetwork 对象。

有向无环图 (DAG) 神经网络具有复杂的结构，其中各层可以有多个输入和输出。要创建 DAG 神经网络，请将神经网络架构指定为 LayerGraph 对象，然后使用该层图作为 trainNetwork 的输入参量。

trainNetwork 函数支持最多具有一个序列输入层的神经网络。

有关内置层的列表，请参阅深度学习层列表。

训练选项，指定为由 trainingOptions 函数返回的 TrainingOptionsSGDM、TrainingOptionsRMSProp 或 TrainingOptionsADAM 对象。