Main Content

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.

Generar código MATLAB desde Deep Network Designer

La app Deep Network Designer le permite generar código MATLAB® para recrear cómo se construye, edita y entrena una red en la app.

En la pestaña Designer, puede generar un script en vivo para hacer lo siguiente:

  • Recrear las capas de su red, incluido cualquier parámetro inicial. Seleccione Export > Generate Network Code With Parameters.

  • Recrear solo las capas de su red. Seleccione Export > Generate Network Code Without Parameters.

En la pestaña Training, puede generar un script en vivo para hacer lo siguiente:

  • Recrear cómo se diseña y entrena una red que haya creado en Deep Network Designer. Seleccione Export > Generate Code for Training.

Generar código MATLAB para recrear capas de red

Genere código MATLAB para recrear la red que ha diseñado en Deep Network Designer. En la pestaña Designer, elija una de estas opciones:

  • Para recrear las capas de su red, incluido cualquier parámetro inicial, seleccione Export > Generate Network Code With Parameters. La app crea un script en vivo y un archivo MAT que contiene los parámetros iniciales (pesos y sesgos) de su red. Ejecute el script para recrear las capas de red, incluidos los parámetros que pueden aprender del archivo MAT. Utilice esta opción para preservar los pesos si quiere hacer una transferencia del aprendizaje.

  • Para recrear solo las capas de su red, seleccione Export > Generate Network Code Without Parameters. Esta red no contiene los parámetros iniciales, como los pesos preentrenados.

Al ejecutar el script que se ha generado, se devuelve la arquitectura de red como una variable en el área de trabajo. En función de la arquitectura de red, la variable será una gráfica de capas denominada lgraph o un arreglo de capas denominado layers. Para ver un ejemplo de cómo entrenar una red que se ha exportado de Deep Network Designer, consulte Crear una red de clasificación de secuencias sencilla utilizando Deep Network Designer.

Generar código MATLAB para entrenar redes

Para recrear el diseño y entrenamiento de una red en Deep Network Designer, genere código MATLAB tras el entrenamiento. Para ver un ejemplo de cómo utilizar Deep Network Designer para entrenar una red de clasificación de imágenes, consulte Transferencia del aprendizaje con Deep Network Designer.

Una vez completado el entrenamiento, en la pestaña Training, seleccione Export > Generate Code for Training. La app crea un script en vivo y un archivo MAT que contiene los parámetros iniciales (pesos y sesgos) de su red. Si importa datos desde el área de trabajo a Deep Network Designer, también se incluirán en el archivo MAT que se genere.

Esta imagen muestra un ejemplo de un script en vivo generado mediante Deep Network Designer.

Example live script generated using Deep Network Designer

Ejecutar el script generado crea la red (incluidos los parámetros que aprenden del archivo MAT), importa los datos, establece las opciones de entrenamiento y entrena la red. Analice el script generado para aprender a crear y entrenar una red en la línea de comandos.

Nota

Si cambia los datos de red, entrenamiento y validación, o las opciones de entrenamiento, haga clic en Train antes de generar el script en vivo.

Utilizar redes para realizar predicciones

Supongamos que la red entrenada se encuentra en la variable net. Para utilizar la red entrenada y realizar predicciones, use la función predict. Por ejemplo, supongamos que tiene una red de clasificación de imágenes entrenada. Utilice la red exportada para predecir la clase de peppers.png.

img = imread("peppers.png");
img = imresize(img, net.Layers(1).InputSize(1:2));
label = predict(net, img);
imshow(img);
title(label);

Referencias

[1] Kudo, Mineichi, Jun Toyama, and Masaru Shimbo. “Multidimensional Curve Classification Using Passing-through Regions.” Pattern Recognition Letters 20, no. 11–13 (November 1999): 1103–11. https://doi.org/10.1016/S0167-8655(99)00077-X.

[2] Kudo, Mineichi, Jun Toyama, and Masaru Shimbo. Japanese Vowels Data Set. Distributed by UCI Machine Learning Repository. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels.

Consulte también

| |

Temas relacionados