代码是通过深度学习工具箱生成的，如下
lgraph = layerGraph()
tempLayers = [
imageInputLayer([227 227 3],"Name","data1")
convolution2dLayer([11 11],96,"Name","conv1_1","BiasLearnRateFactor",2,"Stride",[4 4])
reluLayer("Name","relu1_1")
crossChannelNormalizationLayer(5,"Name","norm1_1","K",1)
maxPooling2dLayer([3 3],"Name","pool1_1","Stride",[2 2])
groupedConvolution2dLayer([5 5],128,2,"Name","conv1_2","BiasLearnRateFactor",2,"Padding",[2 2 2 2])
reluLayer("Name","relu1_2")
crossChannelNormalizationLayer(5,"Name","norm1_2","K",1)
maxPooling2dLayer([3 3],"Name","pool1_2","Stride",[2 2])
convolution2dLayer([3 3],384,"Name","conv1_3","BiasLearnRateFactor",2,"Padding",[1 1 1 1])
reluLayer("Name","relu1_3")
groupedConvolution2dLayer([3 3],192,2,"Name","conv1_4","BiasLearnRateFactor",2,"Padding",[1 1 1 1])
reluLayer("Name","relu1_4")
groupedConvolution2dLayer([3 3],128,2,"Name","conv1_5","BiasLearnRateFactor",2,"Padding",[1 1 1 1])
reluLayer("Name","relu1_5")
maxPooling2dLayer([3 3],"Name","pool1_5","Stride",[2 2])]
lgraph = addLayers(lgraph,tempLayers)
tempLayers = [
imageInputLayer([227 227 3],"Name","data2")
convolution2dLayer([11 11],96,"Name","conv2_1","BiasLearnRateFactor",2,"Stride",[4 4])
reluLayer("Name","relu2_1")
crossChannelNormalizationLayer(5,"Name","norm2_1","K",1)
maxPooling2dLayer([3 3],"Name","pool2_1","Stride",[2 2])
groupedConvolution2dLayer([5 5],128,2,"Name","conv2_2","BiasLearnRateFactor",2,"Padding",[2 2 2 2])
reluLayer("Name","relu2_2")
crossChannelNormalizationLayer(5,"Name","norm2_2","K",1)
maxPooling2dLayer([3 3],"Name","pool2_2","Stride",[2 2])
convolution2dLayer([3 3],384,"Name","conv2_3","BiasLearnRateFactor",2,"Padding",[1 1 1 1])
reluLayer("Name","relu2_3")
groupedConvolution2dLayer([3 3],192,2,"Name","conv2_4","BiasLearnRateFactor",2,"Padding",[1 1 1 1])
reluLayer("Name","relu2_4")
groupedConvolution2dLayer([3 3],128,2,"Name","conv2_5","BiasLearnRateFactor",2,"Padding",[1 1 1 1])
reluLayer("Name","relu2_5")
maxPooling2dLayer([3 3],"Name","pool2_5","Stride",[2 2])]
lgraph = addLayers(lgraph,tempLayers)
tempLayers = [
additionLayer(2,"Name","addition")
fullyConnectedLayer(4096,"Name","fc6","BiasLearnRateFactor",2)
reluLayer("Name","relu6")
dropoutLayer(0.5,"Name","drop6")
fullyConnectedLayer(4096,"Name","fc7","BiasLearnRateFactor",2)
reluLayer("Name","relu7")
dropoutLayer(0.5,"Name","drop7")
fullyConnectedLayer(3,"Name","fc8","BiasLearnRateFactor",2)
softmaxLayer("Name","prob")
classificationLayer("Name","classoutput")]
lgraph = addLayers(lgraph,tempLayers)
% 清理辅助变量
clear tempLayers
lgraph = connectLayers(lgraph,"pool1_5","addition/in1")
lgraph = connectLayers(lgraph,"pool2_5","addition/in2")
figure
plot(lgraph)
layers = lgraph.Layers
复制
画出来的图如下
输入图片读取处理的代码如下
%% 训练数据存储；
allImages1 = imageDatastore("E:\Data\old-new\CWT\1\",...
'IncludeSubfolders',true,...
'LabelSource','foldernames')
allImages2= imageDatastore("E:\Data\old-new\CWT\2\",...
'IncludeSubfolders',true,...
'LabelSource','foldernames')
%% 数据处理；
rng default
[imgsTrain1,imgsValidation1] = splitEachLabel(allImages1,0.8,'randomized')%按比例拆分 ImageDatastore 标签
disp(['Number of training images: ',num2str(numel(imgsTrain1.Files))])
disp(['Number of validation images: ',num2str(numel(imgsValidation1.Files))])
[imgsTrain2,imgsValidation2] = splitEachLabel(allImages2,0.8,'randomized')%按比例拆分 ImageDatastore 标签
disp(['Number of training images: ',num2str(numel(imgsTrain2.Files))])
disp(['Number of validation images: ',num2str(numel(imgsValidation2.Files))])
%% 处理输入的图片；
inputSize = layers(1).InputSize
augimgsTrain1 = augmentedImageDatastore(inputSize(1:2),imgsTrain1)% 调整图像大小以匹配网络输入层
augimgsValidation1 = augmentedImageDatastore(inputSize(1:2),imgsValidation1)
augimgsTrain2 = augmentedImageDatastore(inputSize(1:2),imgsTrain2)% 调整图像大小以匹配网络输入层
augimgsValidation2 = augmentedImageDatastore(inputSize(1:2),imgsValidation2)
augimgsTrain = combine(augimgsTrain1,augimgsTrain2)
% augimgsValidation = combine(augimgsValidation1,augimgsValidation2)
复制
但是训练时会一直报错，ValidationData设置为空因为我不知道怎么把augimgsValidation1 augimgsValidation2两个结构体的验证集放到一块，‘opts =’ 这行会报错误，所以上面也就注掉了
训练的代码如下
%% 设置参数进行训练
rng default
mbSize = 40
mxEpochs = 40
ilr = 1e-4
plt = 'training-progress'
opts = trainingOptions('sgdm',...
'InitialLearnRate',ilr, ...
'MaxEpochs',mxEpochs ,...
'MiniBatchSize',mbSize, ...
'ValidationData',[],...
'ExecutionEnvironment','multi-gpu',...
'Plots',plt)
[trainedAN,info2] = trainNetwork(augimgsTrain,layers,opts)
复制
报的错误如下图
有没有会用matlab做深度学习的大佬，帮我看看这个，万分感谢！
深度学习
matlab
神经网络
机器学习
迁移学习
一分钟了解直流变频空调
精选推荐
广告
mcca特征融合matlab代码
78下载·0评论
2019年1月26日
【火灾检测】基于matlab连通区域+SVM特征融合火灾检测【含Matlab源码 1223期】
1498阅读·3评论·7点赞
2021年8月17日
总结与归纳：深度神经网络中的数据融合方法
8124阅读·4评论·51点赞
2020年4月9日
基于SIFT特征的图像拼接融合（matlab+vlfeat实现）
1.2W阅读·6评论·4点赞
2019年4月27日
分类预测 | MATLAB实现CNN卷积神经网络多特征分类预测
1313阅读·0评论·1点赞
2022年9月7日
MATLAB中深度学习的多级神经网络构建
1349阅读·0评论·1点赞
2021年12月17日
灭菌器供应厂家
精选推荐
广告
（Note）神经网络中的特征融合方式（add/concate）
1733阅读·0评论·1点赞
2022年7月19日
在 Matlab 中连接不同大小的数组：此函数允许您连接不同大小的数组，并在需要时使用 NaN 填充。-matlab开发
22下载·0评论
2021年6月1日
【MATLAB强化学习工具箱】学习笔记--在Simulink环境中训练智能体Create Simulink Environment and Train Agent
3883阅读·8评论·4点赞
2021年11月15日
python将大量图片拼接千面图_11. 图像合成与图像融合
426阅读·0评论·1点赞
2020年12月10日
图像融合方法
3098阅读·1评论·3点赞
2020年11月11日
MATLAB的图像融合设计
1004阅读·1评论·1点赞
2021年8月30日
matlab图像融合sift,基于SIFT特征的图像拼接融合（matlab+vlfeat实现）
403阅读·0评论·0点赞
2021年4月24日
【matlab】机器学习与人工智能期末课设，基于融合特征的以图搜图应用
209阅读·0评论·1点赞
2022年6月1日
回归预测 | MATLAB实现CNN-GRU(卷积门控循环单元)多输入单输出
2884阅读·1评论·0点赞
2022年4月13日
Matlab之深度学习工作流程
1521阅读·0评论·3点赞
2020年9月29日
Matlab实现CCA多模特征融合
2752阅读·8评论·3点赞
2020年12月30日
Matlab深度学习上手初探
3976阅读·0评论·1点赞
2022年4月10日
（多模态 / 多维度）特征融合
1.4W阅读·0评论·16点赞
2020年12月2日
去首页
看看更多热门内容
评论4
m0_62482485
赞
兄嘚，这个问题解决了么？
2022.10.24
m0_62482485
赞
兄嘚，这个问题解决了么？
2022.10.24
程序猿_悟空
赞
呵呵
*** 作系统问题或内存不足。*** 作系统问题，解决方法，存在漏洞或bug，可通过修复漏洞或重装系统来解决。内存不足主要是内存空间溢出，关闭一些程序，或加大内存。
mcca模型是一种新的混合土地利用结构时空动态模拟方法。模型是由中国地质大学地理与信息工程学院，国家GIS工程技术研究中心的高性能空间计算智能实验室。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）