提取数据

在工作区中，提取MathWorks的专卖品数据集。这是包含MathWorks公司的商品75倍的图像的小数据集，属于五个不同的类别（帽，立方体，扑克牌，螺丝刀和火炬）。

解压（“MerchData.zip”）;

加载预训练网络

打开深层网络设计者。

deepNetworkDesigner

选择SqueezeNet从预训练的网络，并点击列表打开。

深层网络设计者显示整个网络的一个缩小的视图。

探索网络曲线。用鼠标，使用放大按Ctrl+滚轮。要平移，请使用箭头键，或者按住滚轮并拖动鼠标。选择一个层，以查看其属性。取消选择所有的层，以查看在网络摘要属性窗格。

导入数据

要加载数据到深层网络设计者，在数据选项卡，单击导入数据。将打开导入数据对话框。

在里面数据源列表中，选择夹。请点击浏览并选择所提取的MerchData文件夹。

将数据分成70％的训练数据，30％的验证数据。

指定增强操作的训练图像进行。数据增强有助于防止网络过度拟合和记忆训练图像的具体细节。对于这个例子，适用于x轴的随机旋转从范围[-90,90]度的随机反射，并从范围[1,2]的随机重新缩放。

请点击进口以将数据导入到深层网络设计者。

编辑网络的迁移学习

重新训练SqueezeNet进行分类的新图片，替换最后2-d卷积层和网络的最终分类层。在SqueezeNet，这些层有名字'conv10'和'ClassificationLayer_predictions'， 分别。

在设计师窗格中，将一个新的convolutional2dLayer到画布上。以匹配原始卷积层，集FilterSize至1,1。编辑NumFilters是类数在新的数据，在这个例子中，五。

改变学习率，这样的学习是在新的层比在转移层更快地通过设置组WeightLearnRateFactor和BiasLearnRateFactor10。

删除最后2 d卷积层和连接新层代替。

更换输出层。滚动到年底图层库并拖动新classificationLayer到画布上。删除原始输出层并在其位置连接新层。

列车网络

要选择培训选项，选择训练选项卡并单击培训选项。组InitialLearnRate为较小的值，以减缓在被转印层学习。在前面的步骤中，增加了学习速率因子2-d卷积层以加快在新的最终层的学习。学习率设置的结果只有在新的层次快速学习，并在其他层慢学习的组合。

在这个例子中，集InitialLearnRate至0.0001，ValidationFrequency至五，MaxEpochs至8。由于有55层的意见，集MiniBatchSize以11均匀地分割训练数据和保证整个数据集的每个历元期间使用。

与指定的培训选择训练网络，点击关然后单击培养。

深网设计可以让你可视化和监控训练进度。然后，您可以编辑的培训方案和再培训的网络，如果需要的话。

导出结果，并生成MATLAB代码

若要从训练导出结果，在训练选项卡，选中导出>导出训练的网络和结果。深层网络设计者出口训练有素的网络变量trainedNetwork_1而作为变量培训信息trainInfoStruct_1。

您还可以生成MATLAB代码，它再现了网络使用的训练方案。在训练选项卡，选中导出>生成代码培训。检查MATLAB代码，以了解如何以编程准备数据进行训练，建立网络架构，并培训网络。

分类新形象

加载一个新的形象使用经训练的网络进行分类。

I = imread（“MerchDataTest.jpg”）;

调整测试图像以匹配网络的输入大小。

I = imresize（I，[227 227]）;

用训练网络分类的测试图像。

[YPred，probs] =分类（trainedNetwork_1，I）;imshow（I）标记= YPred;标题（字符串（标签）+“”+ num2str（100 *最大（probs），3）+“％”）;