类型alexnet在命令行。

alexnet

如果深度学习工具箱模型用于AlexNet网络金宝app支持包未安装，则该函数在外接程序资源管理器中提供到所需支持包的链接。要安装支持包，请单击链接，然后金宝app单击安装．通过输入检查安装是否成功alexnet在命令行。

alexnet

ans = SeriesNetwork with properties: Layers: [25×1 nnet.cnn.layer.Layer]

如果安装了所需的支持包，则函数返金宝app回SeriesNetwork对象。

使用深度网络设计器可视化网络。

deepNetworkDesigner (alexnet)

通过单击在深度网络设计器中探索其他预训练的网络新．

如果需要下载网络，请在需要下载的网络上暂停，然后单击安装打开附加组件资源管理器。

加载数据

解压缩并将新映像加载为映像数据存储。imageDatastore根据文件夹名称自动标记图像，并将数据存储为ImageDatastore对象。图像数据存储使您能够存储大量图像数据，包括不适合内存的数据，并在卷积神经网络训练期间有效地读取批量图像。

解压缩(“MerchData.zip”）;imds = imageDatastore(“MerchData”，.．.“IncludeSubfolders”,真的,.．.“LabelSource”，“foldernames”）;

将数据分为训练数据集和验证数据集。使用70%的图像进行训练，30%用于验证。splitEachLabel分裂的图片数据存储到两个新的数据存储。

[imdsTrain,imdsValidation] = splitEachLabel(imds,0.7，“随机”）;

这个非常小的数据集现在包含55张训练图像和20张验证图像。显示一些示例图像。

numTrainImages = numel(imdsTrain.Labels);idx = randperm(numTrainImages,16);数字为i = 1:16 subplot(4,4,i) i = readimage(imdsTrain,idx(i));imshow(我)结束

负荷预训练网络

加载预先训练好的AlexNet神经网络。如果深度学习工具箱™模型用于AlexNet网络未安装时，则该软件提供下载链接。AlexNet对超过100万张图像进行了训练，可以将图像分为1000个对象类别，例如键盘、鼠标、铅笔和许多动物。因此，该模型已经学习了广泛图像的丰富特征表示。

Net = alexnet;

使用analyzeNetwork显示网络体系结构的交互式可视化以及有关网络层的详细信息。

analyzeNetwork(净)

第一层是图像输入层，需要输入图像的大小为227 × 227 × 3，其中3是颜色通道的数量。

inputSize = net.Layers(1).InputSize

inputSize =1×3227 227 3

更换最终图层

预训练网络的最后三层网配置为1000个类。对于新的分类问题，必须对这三个层进行微调。从预训练的网络中提取除最后三层外的所有层。

layersTransfer = net.Layers(1:end-3);

通过将最后三层替换为全连接层、softmax层和分类输出层，将这些层转移到新的分类任务中。根据新数据指定新的全连接层的选项。将全连接层设置为与新数据中的类数量相同的大小。为了在新层中比在转移层中更快地学习，增加WeightLearnRateFactor而且BiasLearnRateFactor全连接层的值。

numClasses = numel(categories(imdsTrain.Labels))

numClasses = 5

layers = [layersTransfer fullyConnectedLayer(numClasses，“WeightLearnRateFactor”, 20岁,“BiasLearnRateFactor”，20) softmaxLayer classificationLayer];

列车网络的

网络需要大小为227 × 227 × 3的输入映像，但是映像数据存储中的映像具有不同的大小。使用增强图像数据存储来自动调整训练图像的大小。指定要对训练图像执行的附加增强操作:沿着垂直轴随机翻转训练图像，并在水平和垂直方向上随机将它们平移到30像素。数据增强有助于防止网络过度拟合和记忆训练图像的确切细节。

pixelRange = [-30 30];imageAugmenter = imageDataAugmenter(.．.“RandXReflection”,真的,.．.“RandXTranslation”pixelRange,.．.“RandYTranslation”, pixelRange);augimdsTrain = augmentedimagedastore (inputSize(1:2))，imdsTrain，.．.“DataAugmentation”, imageAugmenter);

若要自动调整验证图像的大小，而不执行进一步的数据增强，请使用增强图像数据存储，而不指定任何额外的预处理操作。

augimdsValidation = augmentedImageDatastore(inputSize(1:2)，imdsValidation);

指定培训选项。对于迁移学习，保留预训练网络早期层的特征(转移层权重)。为了降低迁移层的学习速度，可以将初始学习率设置为较小的值。在前面的步骤中，您增加了全连接层的学习率因子，以加快新的最终层的学习速度。这种学习率设置的组合导致只在新层中快速学习，而在其他层中学习较慢。在执行迁移学习时，您不需要训练许多epoch。epoch是整个训练数据集上的一个完整的训练周期。指定小批大小和验证数据。该软件验证网络每ValidationFrequency训练期间的迭代。

选项= trainingOptions(“个”，.．.“MiniBatchSize”10.．.“MaxEpochs”6.．.“InitialLearnRate”1的军医,.．.“洗牌”，“every-epoch”，.．.“ValidationData”augimdsValidation,.．.“ValidationFrequency”3,.．.“详细”假的,.．.“阴谋”，“训练进步”）;

训练由转移层和新层组成的网络。默认情况下,trainNetwork如果有GPU，则使用GPU，否则使用CPU。在GPU上进行训练需要并行计算工具箱™和受支持的GPU设备。金宝app有关受支持设备的信息，请参见金宝appGPU支金宝app持版本(并行计算工具箱)．属性指定执行环境“ExecutionEnvironment”的名称-值对参数trainingOptions．

netTransfer = trainNetwork(augimdsTrain,layers,options);

对验证图像进行分类

利用优化后的网络对验证图像进行分类。

[YPred,scores] = category (netTransfer,augimdsValidation);

显示四个样本验证图像及其预测标签。

idx = randperm(numel(imdsValidation.Files)，4);数字为i = 1:4 subplot(2,2,i) i = readimage(imdsValidation,idx(i));imshow(I) label = YPred(idx(I));标题(字符串(标签));结束

计算验证集上的分类精度。准确率是网络正确预测的标签的比例。

YValidation = imdsValidation.Labels;accuracy = mean(YPred == YValidation)

准确度= 1

有关提高分类准确性的提示，请参见深度学习技巧和技巧．

加载数据

解压缩并将示例图像加载为图像数据存储。imageDatastore根据文件夹名称自动标记图像，并将数据存储为ImageDatastore对象。图像数据存储允许您存储大型图像数据，包括不适合内存的数据。将数据分成70%的训练数据和30%的测试数据。

解压缩(“MerchData.zip”）;imds = imageDatastore(“MerchData”，.．.“IncludeSubfolders”,真的,.．.“LabelSource”，“foldernames”）;[imdsTrain,imdsTest] = splitEachLabel(imds,0.7，“随机”）;

在这个非常小的数据集中，现在有55张训练图像和20张验证图像。显示一些示例图像。

numImagesTrain = numel(imdsTrain.Labels);idx = randperm(numImagesTrain,16);为i = 1:16 i {i} = readimage(imdsTrain,idx(i));结束图imshow (imtile(我))

负荷预训练网络

加载一个预先训练好的AlexNet网络。如果深度学习工具箱模型用于AlexNet网络金宝app支持包未安装时，则软件提供下载链接。AlexNet对超过100万张图像进行了训练，可以将图像分为1000个对象类别。例如，键盘、鼠标、铅笔和许多动物。因此，该模型已经学习了广泛图像的丰富特征表示。

Net = alexnet;

显示网络结构。该网络有5个卷积层和3个全连接层。

网层

ans = 25x1带有图层的图层数组:227 x227x3数据的图像输入图像的zerocenter正常化2 conv1卷积96年11 x11x3旋转步[4 4]和填充[0 0 0 0]3‘relu1 ReLU ReLU 4 norm1的横通道正常化横通道正常化与5频道/元素5“pool1”马克斯池3 x3马克斯池步(2 - 2)和填充[0 0 0 0]6“conv2”分组卷积2组128 5 x5x48旋转步[1]和填充(2 2 2 2)7的relu2 ReLU ReLU 8 norm2交叉道标准化交叉道正常化与5频道/元素9“pool2”马克斯池3 x3马克斯池步[2 2]和填充[0 0 0 0]10 conv3卷积384 3 x3x256旋转步[1]和填充[1 1 1 1]11的relu3 ReLU ReLU 12“conv4”分组卷积2组192 3 x3x192旋转步[1]和填充[1 1 1 1]13的relu4 ReLU ReLU 14“conv5”分组卷积2组128 3 x3x192旋转步[1]和填充(1 1 1)15'relu5' ReLU ReLU 16 'pool5'最大池化3x3最大池化与stride[2 2]和填充[0 000 0]17 'fc6'全连接4096全连接层18 'relu6' ReLU ReLU 19 'drop6' drop6' Dropout 50% Dropout 20 'fc7'全连接4096全连接层21 'relu7' ReLU ReLU 22 'drop7' Dropout 50% Dropout 23 'fc8'全连接1000全连接层24 'prob' Softmax Softmax 25 'output'分类输出crossentropyex与'tench'和999其他类

第一层是图像输入层，需要输入图像的大小为227 × 227 × 3，其中3是颜色通道的数量。

inputSize = net.Layers(1).InputSize

inputSize =1×3227 227 3

提取图像特征

该网络构造了输入图像的分层表示。较深的层包含较高级的特性，这些特性是使用较早层的较低级特性构造的。要获得训练图像和测试图像的特征表示，请使用激活在全连接层上“fc7”．要获得图像的较低级别表示，请使用网络中的较早层。

网络需要大小为227 × 227 × 3的输入映像，但是映像数据存储中的映像具有不同的大小。若要在将训练和测试图像输入到网络之前自动调整它们的大小，请创建增强图像数据存储，指定所需的图像大小，并将这些数据存储用作的输入参数激活．

augimdsTrain = augmentedImageDatastore(inputSize(1:2)，imdsTrain);augimdsTest = augmentedImageDatastore(inputSize(1:2)，imdsTest);层=“fc7”；featuresTrain =激活(net,augimdsTrain,layer，“OutputAs”，“行”）;featuresTest =激活(net,augimdsTest,layer，“OutputAs”，“行”）;

从训练和测试数据中提取类标签。

YTrain = imdsTrain.Labels;YTest = imdsTest.Labels;

拟合图像分类器

利用从训练图像中提取的特征作为预测变量，拟合多类支持向量机(SVM)金宝appfitcecoc(统计和机器学习工具箱)。

mdl = fitcecoc(featuresTrain,YTrain);

分类测试图像

使用训练好的SVM模型和从测试图像中提取的特征对测试图像进行分类。

YPred = predict(mdl, featurest);

显示四个样本测试图像及其预测标签。

Idx = [1 5 10 15];数字为i = 1: nummel (idx) subplot(2,2,i) i = readimage(imdsTest,idx(i));标签= YPred(idx(i));imshow (I)标题(标签)结束

计算测试集上的分类精度。准确率是网络正确预测的标签的比例。

accuracy = mean(YPred == YTest)

准确度= 1

该支持向量机具有较高的精度。如果使用特征提取的准确率不够高，那么可以尝试迁移学习。