提取数据

在工作空间中，提取MathWorks Merch数据集。这是一个包含75张MathWorks商品图像的小数据集，属于五个不同的类(帽那立方体那打牌那螺丝刀,火炬）.

解压缩（“MerchData.zip”)；

负载Pretrained网络

打开深度网络设计师。

DeepNetWorkDesigner.

选择挤压从掠夺网络列表中，单击打开．

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。要平移，请使用箭头键，或按住向下滚轮并拖动鼠标。选择一个图层以查看其属性。取消选择所有层以查看网络摘要特性窗格。

导入数据

将数据加载到深网络设计师身上数据选项卡，单击导入数据>导入图像数据．将打开“导入图像数据”对话框。

在数据源列表，选择文件夹．点击浏览并选择提取的Merchdata文件夹。

将数据划分为70％的培训数据和30％的验证数据。

指定增强操作以在培训图像上执行。数据增强有助于防止网络过度接收和记忆培训图像的确切细节。对于该示例，在X轴上应用随机反射，从范围[-90,90]度的随机旋转，以及从范围[1,2]的随机重新扫描。

点击进口将数据导入深度网络设计器。

编辑传输学习网络

为了重新训练SqueezeNet对新图像进行分类，将最后一个二维卷积层替换为网络的最终分类层。在SqueezeNet中，这些图层都有名称'conv10'和'classificationlayer_predictions'， 分别。

在这一点设计师窗格，拖动一个新的convolution2dLayer到画布上。为了匹配原始卷积层，设置FilterSize到1，1．编辑NumFilters为新数据中的类数，在本例中，5.．

更改学习率，使学习在新图层中比设置在传输的层中更快举重和Biaslearnratefactor.到10.．

删除最后2-D卷积层并改为连接新图层。

替换输出层。滚动到末尾图书馆库并拖动一个新的分类层到画布上。删除原来的输出层，并在其位置连接你的新层。

火车网络

要选择培训选项，请选择训练标签并单击培训方案．将初始学习率设置为较小的值，以降低传输层的学习速度。在前面的步骤中，您增加了2d卷积层的学习率因子，以加速新的最终层中的学习。这种学习率设置的组合只会导致在新层中学习快，而在其他层中学习慢。

对于此示例，设置InitialLearnRate到0.0001.那验证频繁到5.那MaxEpochs到8.．因为有55个观察，设定MiniBatchSize到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培训网络，请单击关然后点击火车．

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。

导出结果并生成MATLAB代码

从培训导出结果，在训练选项卡上,选择出口>输出训练有素的网络和结果．深网络设计器将培训的网络导出为变量trainedNetwork_1训练信息作为变量trainInfoStruct_1．

您还可以生成MATLAB代码，该代码重新创建网络和使用的培训选项。在这一点训练选项卡上,选择出口>生成培训代码．检查MATLAB代码以了解如何以编程方式准备培训数据，创建网络架构和培训网络。

分类新镜头

加载新图像以使用培训的网络对进行分类。

我= imread（“merchdattest.jpg”)；

调整测试图像的大小以匹配网络输入的大小。

i = imresize（i，[227 227]）;

使用培训的网络对测试图像进​​行分类。

[ypred，probs] =分类（troutahynetwork_1，i）;imshow（i）标签= ypred;标题（字符串（标签）+”、“+ num2str(100 *马克斯(聚合氯化铝),3)+“％”)；