为训练提取数据

在工作区中，解压缩数据。

解压缩(“MerchData.zip”）;

选择预训练网络

开放深度网络设计器。

deepNetworkDesigner

从深度网络设计器开始页面中选择一个预先训练好的GoogLeNet网络。如果您需要下载网络，那么单击安装以打开附加组件资源管理器。

深度网络设计器显示整个网络的缩小视图。探索网络情节。要用鼠标放大，请使用Ctrl+滚轮。

加载数据集

将数据加载到深度网络设计器中，在数据选项卡上,单击导入数据>导入图像数据．打开“导入图像数据”对话框。

在数据源列表中,选择文件夹．点击浏览并选择提取的MerchData文件夹。

这个对话框还允许你在应用程序中分割验证数据。将数据分成70%的训练数据和30%的验证数据。

指定要在训练图像上执行的增强操作。对于本例，在x轴上应用随机反射，从[-90,90]度范围随机旋转，从[1,2]范围随机缩放。

点击进口将数据导入深度网络设计器。

使用深度网络设计器，您可以直观地查看训练和验证数据的分布数据选项卡。您可以看到，在这个示例中，数据集中有5个类。您还可以查看每个类的随机观察结果。

深度网络设计器在训练期间调整图像的大小，以匹配网络输入的大小。要查看网络输入大小，请在设计师选项卡上,单击imageInputLayer．这个网络的输入尺寸是224 × 224。

编辑迁移学习网络

为了重新训练预先训练的网络对新的图像进行分类，将最后的可学习层和最终的分类层替换为适应新数据集的新层。在GoogLeNet中，这些层都有名称“loss3-classifier”和“输出”,分别。

在设计师Tab，拖动一个新的fullyConnectedLayer从层的图书馆到画布上。集OutputSize更改为新数据中的类数，在本例中，5．

编辑学习速率，以学习更快的新层比在转移层。集WeightLearnRateFactor和BiasLearnRateFactor来10．删除最后一个完全连接的图层，然后连接你的新图层。

替换输出层。滚动到末尾层的图书馆然后拖动一个新的classificationLayer到画布上。删除原来的输出层和连接你的新层代替。

检查网络

通过点击来检查你的网络分析．如果深度学习网络分析仪报告零错误，网络就可以进行训练。

列车网络的

使用默认设置训练网络，在培训选项卡上,单击火车．

如果您想对培训有更大的控制，请单击培训方案选择训练的环境。默认的训练选项更适合大型数据集。对于小数据集，使用较小的值作为小批量大小和验证频率。有关选择培训选项的更多信息，请参见trainingOptions．

对于本例，setInitialLearnRate来0.0001，ValidationFrequency来5,MaxEpochs来8．因为有55个观察结果，设定MiniBatchSize来11均匀划分训练数据，保证每个epoch使用整个训练集。

要使用指定的培训选项对网络进行培训，请单击关闭然后点击火车．

深度网络设计器允许您可视化和监控培训进度。如果需要，您可以编辑培训选项并对网络进行再培训。

培训输出结果

要从培训中导出结果，就上培训选项卡上,选择出口>输出训练有素的网络和结果．深度网络设计器输出训练有素的网络作为变量trainedNetwork_1训练信息作为变量trainInfoStruct_1．

您还可以生成MATLAB代码，它可以重新创建网络和使用的培训选项。在培训选项卡上,选择出口>生成培训代码．

测试训练网络

使用训练好的网络选择一个新的图像进行分类。

我= imread (“MerchDataTest.jpg”）;

调整测试图像的大小以匹配网络输入的大小。

I = imresize(I， [224 224]);

使用训练好的网络对测试图像进行分类。

(YPred,聚合氯化铝)= (trainedNetwork_1, I)进行分类;imshow(I) label = YPred;标题(string(标签)+"， "+ num2str(100 *马克斯(聚合氯化铝),3)+“%”）;

有关更多信息，包括关于其他预训练网络的信息，请参见深层网络设计师．