MATLAB深度学习layer、options参数浅析与文章推荐

很多小伙伴接触matlab深度学习时不清楚layer与training options参数。

matlab深度学习中的layer与training options参数分别决定了你模型的网络架构与训练方式

layer参数包括你模型从输入走向输出的各层，options包括你训练网络的详细参数设定。

下例来源：MATLAB LSTM多输入单输出模式分类示例解析（含代码）_严肃小白兔的博客-CSDN博客

layer网络架构

miniBatchSize = 27;

numFeatures = 12;

numHiddenUnits = 100;

numClasses = 9;

layers = [ ...

sequenceInputLayer(numFeatures)

bilstmLayer(numHiddenUnits,'OutputMode','last')

fullyConnectedLayer(numClasses)

softmaxLayer

classificationLayer]

层级设置=[

序列输入层（特征数量）

双向lstm层（隐藏单元个数,'输出模式','多对一'）

全连接层（目标个数）%目标个数即分类的类别数

softmax层（映射层）

输出分类层]

此类层级设置仅限lstm长短期记忆神经网络

层级设置可以手段调整，不是固定模式的代码

如果你想达到别的目的，你可以根据需要对layer进行修改，每一层都有其存在的意义。目前能力有限，希望能在后面出一期完整的matlab不同设定层的分析。

options训练选项

maxEpochs = 100;

miniBatchSize = 27;

options = trainingOptions('adam', ...

'ExecutionEnvironment','cpu', ...

'GradientThreshold',1, ...

'MaxEpochs',maxEpochs, ...

'MiniBatchSize',miniBatchSize, ...

'SequenceLength','longest', ...

'Shuffle','never', ...

'Verbose',0, ...

'Plots','training-progress');

选项 = 训练选项设置('累加器', ...

'训练执行单元','cpu', ...

'梯度阈值',1, ...

'最大训练轮次',maxEpochs, ...

'最小步距',miniBatchSize, ...

'序列长度','整个序列', ...

'乱序','否', ...

'在命令窗口中显示训练进度信息',否, ...

'画图','训练过程');

选择优化器：累加器 'adam'(派生自自适应矩估计)求解器通常适合作为首先尝试的优化器。除此之外还有 'rmsprop'(均方根传播)和 'sgdm'(带动量的随机梯度下降)优化器，选取的标准要依据效果。

相关资料：adam：https://www.csdn.net/tags/Ntjagg2sNTIxMy1ibG9n.html

梯度相关概念：梯度下降来龙去脉附matlab代码_金石开1510的博客-CSDN博客

最大训练轮次（MaxEpochs）：训练多少轮，epoch是世代的意思，每次使用全部子集完成一次运算就是完成了一次epoch，训练轮次的设置要在防止数据过拟合的前提下尽量提高模型效果。

最小步距（MiniBatchSize）：batch批次的意思，在梯度下降中一般来说要遍历所有样本，但有的时候样本个数特别大，不适合逐一遍历作梯度下降。此时我们就可以将样本划分若干子集，对子集进行遍历，针对每一个子集进行梯度下降，更新参数。MiniBatchSize是每个子集内样本个数，最小是1，最大是全部样本个数。

序列长度（SequenceLength）：“最长”-每个小批中的Pad序列具有与最长序列相同的长度。除此之外还有：‘shortest’—截断每个小批中的序列，使其长度与最短序列相同。‘positive integer’—每个小批量的序列具有与最长序列相同的长度，然后分割成指定长度的较小序列。如果发生分裂，则该函数创建额外的小批。

乱序（Shuffle）：'never’不打乱数据。除此之外还有：'once’在训练之前，对训练和验证数据进行一次洗牌、'every-epoch’在每个训练轮次之前洗牌训练数据。

推荐文章：MATLAB深度学习工具箱文档——trainingOptions函数的参数设置_素观江湖真的博客-CSDN博客_matlab trainingoptions函数