Dongsh

MATLAB 的深度学习工具箱Deep Learning Toolbox的学习与使用对熟悉MATLAB的用户较为容易，尤其可以使用图形界面直观地看到训练的过程，但相应的GUI中的数值并不能直接导出，本文介绍如何在训练时保存训练误差相关信息。

例子

以一个带全连接层的神经网络线性回归拟合函数 $ y = x $ 为例：

clc, clear

%% 数据集创建
dataLen = 100;
dataIn = rand([1,dataLen])*100;
dataOut = dataIn + 2*(rand([1,dataLen])-0.5) * 5;

%% 网络结构声明
layers = [
    sequenceInputLayer([1])
    fullyConnectedLayer(5)
    reluLayer
    fullyConnectedLayer(1)
    regressionLayer
    ];

%% 训练参数
options = trainingOptions('sgdm', ...
    'InitialLearnRate',1e-4, ...
    'MaxEpochs',80, ...
    'Shuffle','every-epoch', ... 
    'Verbose',false, ...
    'Plots','training-progress','ExecutionEnvironment','cpu');

%% 使用 trainInfo 保存训练信息
[net, trainInfo] = trainNetwork(dataIn,dataOut,layers,options);

plot(trainInfo.TrainingLoss)

以上代码训练结束后会绘制训练的 Loss 下降曲线。

对于使用回归层regressionLayer的神经网络（对应MSE目标函数），返回的trainInfo 为 包含 TrainingLoss、TrainingRMES、BaseLearningRate的 MATLAB Struct ；长度为Epochs数的double数组，可以使用下标访问，例如trainInfo.TrainingLoss。