La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Predict

Predecir respuestas usando una red neuronal de deep learning entrenada

• 

Bibliotecas:
Deep Learning Toolbox / Deep Neural Networks

Descripción

El bloque Predict predice las respuestas de los datos de la entrada utilizando la red entrenada especificada mediante el parámetro de bloque. Este bloque permite cargar una red preentrenada en el modelo de Simulink^® desde un archivo MAT o una función de MATLAB^®.

Nota

Use el bloque Predict para realizar predicciones en Simulink. Para realizar predicciones de forma programática con código de MATLAB, use la función minibatchpredict o predict.

Ejemplos

Lane and Vehicle Detection in Simulink Using Deep Learning

Use deep convolutional neural networks inside a Simulink® model to perform lane and vehicle detection. This example takes the frames from a traffic video as an input, outputs two lane boundaries that correspond to the left and right lanes of the ego vehicle, and detects vehicles in the frame.

• Abrir script

Puertos

Entrada

input — Imagen, característica, secuencia o datos de series de tiempo

Arreglo numérico

Los puertos de entrada del bloque Predict toman los nombres de las capas de entrada de la red cargada. Por ejemplo, si especifica imagePretrainedNetwork para MATLAB function, el puerto de entrada del bloque Predict tiene la etiqueta data. En función de la red cargada, la entrada al bloque predict puede ser una imagen, una secuencia o datos de series de tiempo.

La distribución de la entrada depende del tipo de datos.

Datos	Distribución de los predictores
Imágenes 2D	Un arreglo numérico de h por w por c por N, en el que h, w y c son la altura, la anchura y el número de canales de las imágenes, respectivamente, y N es el número de imágenes.
Secuencias de vectores	Matrices de s por c, donde s es la longitud de secuencia y c es el número de características de las secuencias.
Secuencias de imágenes 2D	Arreglos de h por w por c por s, donde h, w y c corresponden a la altura, la anchura y el número de canales de las imágenes, respectivamente, y s es la longitud de la secuencia.
Características	Un arreglo numérico de N por numFeatures, en el que N es el número de observaciones y numFeatures es el número de características de los datos de entrada.

Si el arreglo contiene valores NaN, estos se propagan a lo largo de la red.

Salida

output — Puntuaciones, respuestas o activaciones predichas

Arreglo numérico

El puerto de salida del bloque Predict toma los nombres de las capas de salida de la red cargada. Por ejemplo, si especifica imagePretrainedNetwork para MATLAB function, el puerto de salida del bloque Predict se etiqueta como prob_flatten. En función de la red cargada, la salida del bloque Predict puede representar puntuaciones o respuestas predichas.

Puntuaciones o respuestas predichas, devueltas como un arreglo de K por N, donde K es el número de clases y N es el número de observaciones.

Si habilita Activations para una capa de red, el bloque Predict crea un nuevo puerto de salida con el nombre de la capa de red seleccionada. Este puerto produce como salida las activaciones de la capa de red seleccionada.

Las activaciones de la capa de red se devuelven como un arreglo numérico. El formato de la salida depende del tipo de datos de entrada y del tipo de salida de la capa.

Para salida de imágenes 2D, las activaciones son un arreglo de h por w por c por n, donde h, w y c son la altura, la anchura y el número de canales para la salida de la capa escogida, respectivamente, y n es el número de imágenes.

Para una unidad de tiempo única que contiene datos de vector, las activaciones son una matriz de c por n, donde c es el número de características y n es el número de secuencias.

Para una unidad de tiempo única que contiene datos de vector, las activaciones son una matriz de c por n por s, donde c es el número de características de la secuencia, n es el número de secuencias y s es la longitud de la secuencia.

Para una sola unidad de tiempo que contiene datos de imágenes 2D, las activaciones son un arreglo de h por w por c por n, en el que n es el número de secuencias y h, w, y c son la altura, la anchura y el número de canales de las imágenes, respectivamente.

Parámetros

Network — Origen de la red entrenada

Network from MAT-file (predeterminado) | Network from MATLAB function

Especifique el origen de la red entrenada. Seleccione una de las siguientes opciones:

• Network from MAT-file: importar una red entrenada desde un archivo MAT que contenga un objeto dlnetwork.

• Network from MATLAB function: importar una red preentrenada desde una función de MATLAB. Por ejemplo, para usar una red GoogLeNet preentrenada, cree una función pretrainedGoogLeNet en un archivo M de MATLAB y, a continuación, importe esta función.

  function net = pretrainedGoogLeNet
    net = imagePretrainedNetwork("googlenet");
  end

Uso programático

Parámetro de bloque: Network

Tipo: vector de caracteres, cadena

Valores: 'Network from MAT-file' | 'Network from MATLAB function'

Valor predeterminado: 'Network from MAT-file'

File path — El archivo MAT que contiene la red entrenada

untitled.mat (predeterminado) | Nombre o ruta del archivo MAT

Este parámetro especifica el nombre del archivo MAT que contiene la red de deep learning entrenada que desea cargar. Si el archivo no está en la ruta de MATLAB, utilice el botón Browse para localizar el archivo.

Dependencias

Para habilitar este parámetro, establezca el parámetro Network en Network from MAT-file.

Uso programático

Parámetro de bloque: NetworkFilePath

Tipo: vector de caracteres, cadena

Valores: Nombre o ruta del archivo MAT

Valor predeterminado: 'untitled.mat'

MATLAB function — Nombre de la función de MATLAB

squeezenet (predeterminado) | Nombre de la función de MATLAB

Este parámetro especifica el nombre de la función de MATLAB para la red de deep learning preentrenada. Por ejemplo, para usar una red GoogLeNet preentrenada, cree una función pretrainedGoogLeNet en un archivo M de MATLAB y, a continuación, importe esta función.

function net = pretrainedGoogLeNet
  net = imagePretrainedNetwork("googlenet");
end

Dependencias

Para habilitar este parámetro, establezca el parámetro Network en Network from MATLAB function.

Uso programático

Parámetro de bloque: NetworkFunction

Tipo: vector de caracteres, cadena

Valores: Nombre de la función de MATLAB

Valor predeterminado: 'squeezenet'

Mini-batch size — Tamaño de los minilotes

128 (predeterminado) | entero positivo

Tamaño de los minilotes utilizados durante la predicción, especificado como un entero positivo. Un tamaño de minilote mayor requiere más memoria, pero puede proporcionar predicciones más rápidas.

Uso programático

Parámetro de bloque: MiniBatchSize

Tipo: vector de caracteres, cadena

Valores: entero positivo

Valor predeterminado: '128'

Predictions — La salida ha predicho puntuaciones o respuestas

on (predeterminado) | off

Habilite puertos de salida que devuelvan puntuaciones o respuestas predichas.

Uso programático

Parámetro de bloque: Predictions

Tipo: vector de caracteres, cadena

Valores: 'off' | 'on'

Valor predeterminado: 'on'

Input data formats — Formato de los datos de entrada de dlnetwork

vector de caracteres | Cadena

Este parámetro especifica el formato de los datos de entrada que espera el objeto dlnetwork entrenado.

Formato de los datos, especificado como escalar de cadena o vector de caracteres. Cada carácter de la cadena debe ser una de las etiquetas de dimensión siguientes:

• "S": espacial

• "C": canal

• "B": lote

• "T": tiempo

• "U": sin especificar

Por ejemplo, en un arreglo que contiene un lote de secuencias, donde la primera, la segunda y la tercera dimensión corresponden a canales, observaciones y unidades de tiempo respectivamente, puede especificar que tiene el formato "CBT".

Puede especificar varias dimensiones etiquetadas "S" o "U". Puede utilizar las etiquetas "C", "B" y "T" como mucho 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.

De forma predeterminada, el parámetro usa el formato de datos que espera la red.

Dependencias

Para habilitar este parámetro, establezca Network en Network from MAT-file e importe un objeto dlnetwork entrenado desde un archivo MAT.

Uso programático

Parámetro de bloque: InputDataFormats

Tipo: vector de caracteres, cadena

Valores: Para una red con una o más entradas, especifique el texto en forma de: "{'inputlayerName1', 'SSC'; 'inputlayerName2', 'SSCB'; ...}". Para una red sin capa de entrada y con varios puertos de entrada, especifique el texto en forma de: "{'inputportName1/inport1, 'SSC'; 'inputportName2/inport2, 'SSCB'; ...}".

Valor predeterminado: Formato de los datos que espera la red. Para obtener más información, consulte Deep Learning Data Formats.

Activations — Activaciones de red de salida para una capa específica

capas de la red

Use la lista Activations para seleccionar la capa de la que extraer características. Las capas seleccionadas aparecen como un puerto de salida del bloque Predict.

Uso programático

Parámetro de bloque: Activations

Tipo: vector de caracteres, cadena

Valores: vector de caracteres en forma de '{'layerName1',layerName2',...}'

Valor predeterminado: ''

Sugerencias

• Puede acelerar sus simulaciones con la generación de código aprovechando la biblioteca MKL-DNN Intel^®. Para obtener más detalles, consulte Acceleration for Simulink Deep Learning Models.

Capacidades ampliadas

Generación de código C/C++

Genere código C y C++ mediante Simulink® Coder™.

Notas y limitaciones de uso:

• Para generar código C genérico que no dependa de bibliotecas de terceros, vaya a Configuration Parameters, seleccione la categoría general Code Generation y establezca el parámetro Language en C.

• Para generar código C++, vaya a Configuration Parameters, seleccione la categoría general Code Generation y establezca el parámetro Language en C++. Para especificar la biblioteca para la generación de código, vaya a Code Generation, seleccione la categoría general Interface y establezca el parámetro Target Library. Establezca este parámetro en None para generar código C++ genérico que no dependa de bibliotecas de terceros.

• Para ver la lista de redes y capas compatibles con la generación de código, consulte Networks and Layers Supported for Code Generation (MATLAB Coder).

Generación de código de GPU

Genere código CUDA® para GPU NVIDIA® mediante GPU Coder™.

Notas y limitaciones de uso:

• Debe establecer el parámetro Language que aparece en Configuration Parameters > categoría general Code Generation en C++.

• Para ver la lista de las redes y las capas compatibles con la generación de código CUDA^®, consulte Supported Networks, Layers, and Classes (GPU Coder).

• Para obtener más información sobre la generación de código para los modelos de Simulink que contienen el bloque Predict, consulte Code Generation for a Deep Learning Simulink Model That Performs Lane and Vehicle Detection (GPU Coder).

Historial de versiones

Introducido en R2020b

R2024a: No se recomienda el uso de SeriesNetwork ni de DAGNetwork

A partir de la versión R2024a, los objetos SeriesNetwork y DAGNetwork no están recomendados. Esta recomendación significa que las entradas SeriesNetwork y DAGNetwork al bloque Predict no están recomendadas. En su lugar, use los objetos dlnetwork. Los objetos dlnetwork tienen estas ventajas:

• Los objetos dlnetwork son un tipo de datos unificado que admite la creación de redes, la predicción, el entrenamiento integrado, la visualización, la compresión, la verificación y los bucles de entrenamiento personalizados.

• Los objetos dlnetwork admiten una gama más amplia de arquitecturas de red que puede crear o importar desde plataformas externas.

• La función trainnet admite objetos dlnetwork, lo que le permite especificar fácilmente funciones de pérdida. Puede seleccionar entre funciones de pérdida integradas o especificar una función de pérdida personalizada.

• Entrenar y predecir con los objetos dlnetwork suele ser más rápido que los flujos de trabajo LayerGraph y trainNetwork.

Los modelos de bloques de Simulink con objetos dlnetwork se comportan de forma diferente. Las puntuaciones predichas se devuelven como una matriz de K por N, en la que K es el número de clases y N es el número de observaciones. Si tiene un modelo de bloques de Simulink ya existente con un objeto SeriesNetwork o DAGNetwork, siga estos pasos para usar un objeto dlnetwork en su lugar:

1. Convierta el objeto SeriesNetwork o DAGNetwork en un objeto dlnetwork mediante la función dag2dlnetwork.

2. Si la entrada al bloque es una secuencia de vectores, trasponga la matriz usando un bloque de trasposición a un tamaño de s por c, donde s es la longitud de secuencia y c es el número de características de las secuencias.

3. Transponga las puntuaciones predichas con un bloque de transposición a un arreglo de N por K, donde N es el número de observaciones y K es el número de clases.

Consulte también

Image Classifier | Stateful Classify | Stateful Predict