Gestione degli esperimenti

Addestrare le reti in condizioni iniziali multiple, sincronizzare le opzioni di addestramento in modo interattivo e valutare i risultati

Utilizzare l'applicazione Experiment Manager per trovare le opzioni di addestramento ottimali per le reti neurali, spaziando in un intervallo di valori di iperparametri o utilizzando l'ottimizzazione bayesiana. Utilizzare la funzione integrata trainnet o definire una funzione di addestramento personalizzata. Monitorare i progressi utilizzando i grafici di addestramento. Utilizzare le matrici di confusione e le funzioni metriche personalizzate per valutare la rete addestrata.

Questa pagina contiene informazioni sugli esperimenti per i workflow di IA. Per informazioni generali sull'utilizzo dell'applicazione, vedere Experiment Manager.

App

Experiment Manager

Design and run experiments to train and compare deep learning networks (Da R2020a)

Oggetti

experiments.Monitor Update results table and training plots for custom training experiments (Da R2021a)

Funzioni

`groupSubPlot`	Group metrics in experiment training plot (Da R2021a)
`recordMetrics`	Record metric values in experiment results table and training plot (Da R2021a)
`updateInfo`	Update information columns in experiment results table (Da R2021a)
`yscale`	Set training plot y-axis scale (linear or logarithmic) (Da R2024a)

Argomenti

Run Experiments in Parallel
Run multiple simultaneous trials or one trial at a time on multiple workers. (Da R2020b)
Offload Experiments as Batch Jobs to a Cluster
Run experiments on a cluster so you can continue working or close MATLAB^®. (Da R2022a)
Keyboard Shortcuts for Experiment Manager
Navigate Experiment Manager using only your keyboard.
Create a Deep Learning Experiment for Classification
Train a deep learning network for classification using Experiment Manager. (Da R2020a)
Create a Deep Learning Experiment for Regression
Train a deep learning network for regression using Experiment Manager. (Da R2020a)
Evaluate Deep Learning Experiments by Using Metric Functions
Use metric functions to evaluate the results of an experiment. (Da R2020a)
Tune Experiment Hyperparameters by Using Bayesian Optimization
Find optimal network hyperparameters and training options for convolutional neural networks. (Da R2020b)
Use Bayesian Optimization in Custom Training Experiments
Create custom training experiments that use Bayesian optimization. (Da R2021b)

Risoluzione dei problemi

Debug Deep Learning Experiments

Diagnose problems in your setup, training, and metric functions. (Da R2023a)

Informazioni complementari

Esempi in primo piano

Try Multiple Pretrained Networks for Transfer Learning

Configure an experiment that replaces layers of different pretrained networks for transfer learning.

Da R2020a

Apri script

Experiment with Weight Initializers for Transfer Learning

Configure an experiment that initializes the weights of convolution and fully connected layers using different weight initializers.

Da R2020a

Apri script

Audio Transfer Learning Using Experiment Manager

Configure an experiment that compares the performance of multiple pretrained networks applied to a speech command recognition task using transfer learning.

Apri script