[英]How to train neural network incrementally in Matlab? and iteratively combine them
我有非常大的火车设置,所以Matlab。 我需要做大规模的培训。
是否有可能将训练集分成几部分并迭代训练网络,并在每次迭代时更新“网”而不是覆盖它?
下面的代码显示了这个想法,它不会起作用。 在每次迭代中,它根据唯一训练的数据集更新网络。
TF1 = 'tansig';TF2 = 'tansig'; TF3 = 'tansig';% layers of the transfer function , TF3 transfer function for the output layers
net = newff(trainSamples.P,trainSamples.T,[NodeNum1,NodeNum2,NodeOutput],{TF1 TF2 TF3},'traingdx');% Network created
net.trainfcn = 'traingdm' ; %'traingdm';
net.trainParam.epochs = 1000;
net.trainParam.min_grad = 0;
net.trainParam.max_fail = 2000; %large value for infinity
while(1) // iteratively takes 10 data point at a time.
p %=> get updated with following 10 new data points
t %=> get updated with following 10 new data points
[net,tr] = train(net, p, t,[], []);
end
我还没有机会看看adapt
功能,但我怀疑它是更新而不是覆盖。 要验证此语句,您可能需要选择第一个数据块的子集作为训练中的第二个块。 如果它被覆盖,当您使用带有子集的训练网来测试您的第一个数据块时,应该很难预测那些不属于该子集的数据。
我用一个非常简单的程序测试它:训练曲线y=x^2
。 在第一次培训过程中,我学习了数据集[1,3,5,7,9]
:
m=6;
P=[1 3 5 7 9];
T=P.^2;
[Pn,minP,maxP,Tn,minT,maxT] = premnmx(P,T);
clear net
net.IW{1,1}=zeros(m,1);
net.LW{2,1}=zeros(1,m);
net.b{1,1}=zeros(m,1);
net.b{2,1}=zeros(1,1);
net=newff(minmax(Pn),[m,1],{'logsig','purelin'},'trainlm');
net.trainParam.show =100;
net.trainParam.lr = 0.09;
net.trainParam.epochs =1000;
net.trainParam.goal = 1e-3;
[net,tr]=train(net,Pn,Tn);
Tn_predicted= sim(net,Pn)
Tn
结果(请注意,输出使用相同的参考进行缩放。 如果您正在进行标准规范化,请确保始终将第1次训练集中的均值和标准值应用于所有其余值 ):
Tn_predicted =
-1.0000 -0.8000 -0.4000 0.1995 1.0000
Tn =
-1.0000 -0.8000 -0.4000 0.2000 1.0000
现在我们正在实施第二个培训过程,其中包括培训数据[1,9]
:
Pt=[1 9];
Tt=Pt.^2;
n=length(Pt);
Ptn = tramnmx(Pt,minP,maxP);
Ttn = tramnmx(Tt,minT,maxT);
[net,tr]=train(net,Ptn,Ttn);
Tn_predicted= sim(net,Pn)
Tn
结果:
Tn_predicted =
-1.0000 -0.8000 -0.4000 0.1995 1.0000
Tn =
-1.0000 -0.8000 -0.4000 0.2000 1.0000
注意x=[3,5,7];
的数据x=[3,5,7];
仍然是精确预测的。
但是,如果我们只训练x=[1,9];
从一开始就:
clear net
net.IW{1,1}=zeros(m,1);
net.LW{2,1}=zeros(1,m);
net.b{1,1}=zeros(m,1);
net.b{2,1}=zeros(1,1);
net=newff(minmax(Ptn),[m,1],{'logsig','purelin'},'trainlm');
net.trainParam.show =100;
net.trainParam.lr = 0.09;
net.trainParam.epochs =1000;
net.trainParam.goal = 1e-3;
[net,tr]=train(net,Ptn,Ttn);
Tn_predicted= sim(net,Pn)
Tn
观察结果:
Tn_predicted =
-1.0071 -0.6413 0.5281 0.6467 0.9922
Tn =
-1.0000 -0.8000 -0.4000 0.2000 1.0000
注意训练好的网在x=[3,5,7];
上表现不佳x=[3,5,7];
上述测试表明,培训基于之前的网络,而不是重新开始。 你性能更差的原因是你只为每个数据块实现一次(随机梯度下降而不是批量梯度下降),因此总误差曲线可能还没有收敛。 假设您只有两个数据块,您可能需要在完成训练块2之后重新训练块1,然后重新训练块2,然后重新训练块1,依此类推,直到满足某些条件。 如果你有更多的块,你可能不需要担心第二训练效果。 无论更新的权重是否会影响其性能,在线学习都会删除以前的数据集。
这里是一个如何在matlab中迭代地训练NN(迷你批处理)的例子:
只需创建一个玩具数据集
[ x,t] = building_dataset;
小批量大小和数量
M = 420
imax = 10;
让我们检查直接培训与小批量培训
net = feedforwardnet(70,'trainscg');
dnet = feedforwardnet(70,'trainscg');
这里的标准培训:1个单一呼叫与整个数据
dnet.trainParam.epochs=100;
[ dnet tr y ] = train( dnet, x, t ,'useGPU','only','showResources','no');
一种误差:MEA,易于测量MSE或任何其他您想要的
dperf = mean(mean(abs(t-dnet(x))))
这是迭代部分:每次调用1个纪元
net.trainParam.epochs=1;
e=1;
直到我们达到之前的方法错误,进行时代比较
while perf(end)>dperf
在每个时代随机化数据非常重要!!
idx = randperm(size(x,2));
迭代地训练所有数据块
for i=1:imax
k = idx(1+M*(i-1) : M*i);
[ net tr ] = train( net, x( : , k ), t( : , k ) );
end
计算每个时代的表现
perf(e) = mean(mean(abs(t-net(x))))
e=e+1;
end
检查性能,我们想要一个很好的准平滑和exp(-x)之类的曲线
plot(perf)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.