网=挤压网

net = DAGNetwork with properties: Layers: [68×1 nnet.cnn.layer.Layer] Connections: [75×2 table]

此函数返回一个DAGNetwork对象。

SqueezeNet包含在深度学习工具箱™。要加载其他网络，请使用googlenet以获得从外接程序资源管理器下载预训练网络的链接。

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商品图片的小数据集，属于五个不同的类别(帽，多维数据集，打牌，螺丝刀,火炬）.

解压缩(“MerchData.zip”）;

在深层网络设计器中打开SqueezeNet

使用SqueezeNet打开深度网络设计器。

deepNetworkDesigner (squeezenet);

“深度网络设计器”中显示全网的缩小视图设计师窗格。

探索网络情节。要用鼠标放大，请使用Ctrl+滚轮。若要平移，请使用方向键，或按住滚轮并拖动鼠标。选择一个图层来查看它的属性。中查看网络摘要属性窗格。

导入数据

要将数据加载到深度网络设计器中，请在数据选项卡上,单击导入数据>导入镜像数据．弹出“导入镜像数据”对话框。

在数据源列表中,选择文件夹．点击浏览并选择解压后的MerchData文件夹。

将数据分为70%的训练数据和30%的验证数据。

指定要对训练图像执行的增强操作。对于这个示例，在x轴上应用一个随机反射，在[-90,90]度范围内随机旋转，以及在[1,2]范围内随机缩放。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。

点击进口将数据导入Deep Network Designer。

可视化数据

使用深度网络设计器，您可以直观地检查训练和验证数据的分布数据选项卡。你也可以在训练前查看随机观察结果和它们的标签。您可以看到，在本例中，数据集中有五个类。

编辑迁移学习网络

网络的卷积层提取图像特征，最后的可学习层和最终的分类层使用这些特征对输入图像进行分类。这两层，“conv10”而且“ClassificationLayer_predictions”在SqueezeNet中，包含关于如何将网络提取到类概率、损失值和预测标签的特征结合起来的信息。为了重新训练一个预先训练好的网络来分类新图像，用适应新数据集的新层替换这两个层。

在大多数网络中，具有可学习权重的最后一层是全连接层。在一些网络中，比如SqueezeNet，最后的可学习层是最后的卷积层。在这种情况下，用一个新的卷积层替换卷积层，过滤器的数量等于类的数量。

在设计师窗格，拖动一个新的convolution2dLayer画在画布上。为了匹配原始的卷积层，设置FilterSize来1, - 1．改变NumFilters到新数据中的类数，在这个例子中，5．

改变学习率，使学习在新层比在转移层更快通过设置WeightLearnRateFactor而且BiasLearnRateFactor来10．删除最后一个2-D卷积层，连接你的新层。

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

检查网络

要确保已编辑的网络已准备好进行训练，请单击分析，确保深度学习网络分析仪报告零错误。

列车网络的

指定培训选项。选择培训选择并单击培训方案．

对于本例，设置InitialLearnRate来0.0001，ValidationFrequency来5,MaxEpochs来8．因为有55个观测值，所以设定MiniBatchSize来11．

单击，使用指定的训练选项对网络进行训练关闭然后点击火车．

深度网络设计器允许您可视化和监控训练进度。然后，如果需要，您可以编辑训练选项并重新训练网络。

导出结果并生成MATLAB代码

导出具有训练权重的网络体系结构培训选项卡上,选择出口>输出训练过的网络和结果．深度网络设计器导出训练好的网络作为变量trainedNetwork_1训练信息作为变量trainInfoStruct_1．

trainInfoStruct_1

trainInfoStruct_1 =带字段的结构:TrainingLoss:[1×40双]TrainingAccuracy:[1×40双]ValidationLoss:[3.3420 1.4291 2.1187南南南南南南南南南南南南南南南0.8527 0.5849 0.3967 0.4678南南南南南南南南南南南南南南南南0.3875 0.3749]ValidationAccuracy:[20 30 55.0000南南南南南南南南南南南南南南南65 85年95年95年南南南南南南南南南南南南南南南南95 95]BaseLearnRate:[1×40双]FinalValidationLoss:0.3749 FinalValidationAccuracy: 95

您还可以生成MATLAB代码，它可以重新创建网络和使用的训练选项。在培训选项卡上,选择出口>生成培训代码．检查MATLAB代码，学习如何以编程方式准备训练数据，创建网络架构，并训练网络。

新图像分类

加载一个新的图像，使用训练好的网络进行分类。

I = imread(“MerchDataTest.jpg”）;

深度网络设计器在训练过程中调整图像大小以匹配网络输入大小。若要查看网络输入大小，请转到设计师窗格，并选择imageInputLayer(第一层)。该网络的输入大小为227 * 227。

调整测试图像的大小以匹配网络输入大小。

I = imresize(I， [227 227]);

利用训练好的网络对测试图像进行分类。

[YPred,probs] = category (trainedNetwork_1,I);imshow(I) label = YPred;标题(string(标签)+”、“+ num2str(100*max(probs)，3) +“%”）;

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);I = imtile(imds，“帧”, idx);图imshow(我)

负荷预训练网络

加载预训练的SqueezeNet神经网络。

网=挤压网;

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

网络的卷积层提取图像特征，最后的可学习层和最终的分类层使用这些特征对输入图像进行分类。这两层，“conv10”而且“ClassificationLayer_predictions”在SqueezeNet中，包含关于如何将网络提取到类概率、损失值和预测标签的特征结合起来的信息。为了重新训练一个预先训练好的网络来分类新图像，用适应新数据集的新层替换这两个层。

从训练好的网络中提取层图。

lgraph = layerGraph(net);

找到要替换的两个层的名称。您可以手动完成，也可以使用支持函数金宝appfindLayersToReplace自动找到这些层。

[learnableLayer,classLayer] = findLayersToReplace(lgraph);[learnableLayer, classLayer]

ans = 1x2 Layer array with layers: 1 'conv10' 2- d Convolution 1000 1x1x512 convolutions with stride [1 1] and padding [0 000 0] 2 'ClassificationLayer_predictions' Classification Output crossentropyex with 'tench' and 999个其他类

在大多数网络中，具有可学习权重的最后一层是全连接层。在一些网络中，比如SqueezeNet，最后一个可学习层是一个1乘1的卷积层。在这种情况下，用一个新的卷积层替换卷积层，过滤器的数量等于类的数量。为了在新层中比在转移层中更快地学习，增加WeightLearnRateFactor而且BiasLearnRateFactor卷积层的值。

numClasses = numel(categories(imdsTrain.Labels))

numClasses = 5

newConvLayer = convolution2dLayer([1,1]，numClasses，“WeightLearnRateFactor”10“BiasLearnRateFactor”10“名称”，“new_conv”）;lgraph =替换层(lgraph，“conv10”, newConvLayer);

分类层指定网络的输出类。用一个没有类标签的新层替换分类层。trainNetwork在训练时自动设置层的输出类。

newclassificationlayer = classificationLayer(“名字”，“new_classoutput”）;lgraph =替换层(lgraph，“ClassificationLayer_predictions”, newClassificatonLayer);

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，您增加了卷积层的学习率因子，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。将迷你批处理大小指定为11，以便在每个epoch中考虑所有数据。该软件验证网络每ValidationFrequency训练期间的迭代。

选项= trainingOptions(“个”，.．.“MiniBatchSize”11.．.“MaxEpochs”7.．.“InitialLearnRate”2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使用GPU(如果有的话)。这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计算要求(并行计算工具箱)．否则,trainNetwork使用CPU。属性指定执行环境“ExecutionEnvironment”的名称-值对参数trainingOptions．

netTransfer = trainNetwork(augimdsTrain,lgraph,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 = true,.．.LabelSource =“foldernames”）;[imdsTrain,imdsTest] = splitEachLabel(imds,0.7，“随机”）;

这个非常小的数据集现在有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);I = imtile(imds，“帧”, idx);图imshow(我)

负荷预训练网络

加载预训练的SqueezeNet网络。SqueezeNet接受了超过100万张图像的训练，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。

网=挤压网;

分析网络结构。

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

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征，这些特征是使用较早层的较低级特征构造的。要获得训练图像和测试图像的特征表示，请使用激活在全局平均池化层“pool10”．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。为了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，可以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激活．

augimdsTrain = augmentedImageDatastore(inputSize(1:2)，imdsTrain);augimdsTest = augmentedImageDatastore(inputSize(1:2)，imdsTest);层=“pool10”；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。

TTrain = imdsTrain.Labels;TTest = 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,TTrain);

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。

精度=平均值(YPred == TTest)

准确度= 0.9500

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。