类型alexnet在命令行。

alexnet

如果是深度学习工具箱模型AlexNet网络金宝app如果没有安装支持包，则该函数将提供到Add-On Explorer中所需的支持包的链接。要安装支持包，请单击链接，然后金宝app单击安装．通过键入检查安装是否成功alexnet在命令行。

alexnet

ANS =具有属性的级系列网络：图层：[25×1 nnet.cnn.layer.Layer]

如果安装了所需的支持包，则该函数金宝app返回aSeriesNetwork对象。

使用Deep network Designer可视化网络。

DeepNetworkDesigner（亚历谢）

探索其他预先训练的网络在深度网络设计师通过点击新的．

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。

加载数据

解压缩并将新图像加载为图像数据存储。imageDatastore自动标签的图像基于文件夹名称和存储数据作为ImageDatastore对象。图像数据存储使您能够存储大的图像数据，包括内存中不适合的数据，并在卷积神经网络训练期间有效地读取批量图像。

解压(“MerchData.zip”）;imd = imageDatastore (“MerchData”，...'insertumbfolders'，真的，...'labelsource'，“foldernames”）;

将数据划分为培训和验证数据集。使用70％的图像进行培训和30％的验证。splitEachLabel分裂的图片将数据存储到两个新的数据存储中。

[imdsTrain, imdsValidation] = splitEachLabel (imd, 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。显示一些样本图像。

numTrainImages =元素个数(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

负载Pretrained网络

加载预先训练的AlexNet神经网络。深度学习工具箱™模型AlexNet网络未安装，则该软件提供下载链接。AlexNet接受了超过100万幅图像的训练，可以将图像分为1000个对象类别，如键盘、鼠标、铅笔和许多动物。因此，该模型学习了丰富的特征表示范围广泛的图像。

网= alexnet;

用analyzeNetwork显示网络架构的交互式可视化和有关网络层的详细信息。

分析（净）

第一层，即图像输入层，需要大小为227×227×3的输入图像，其中3是颜色通道的数量。

.InputSize inputSize = net.Layers (1)

InputSize =1×3227 227 3

替换最终图层

预训练网络的最后三层网为1000个类配置。这三层必须针对新的分类问题进行微调。从预先训练的网络中提取除最后三层外的所有层。

LayerTransfer=净层数（1:end-3）；

通过用完全连接层、软最大层和分类输出层替换最后三层，将层转移到新的分类任务。根据新数据指定新的完全连接层的选项。将完全连接层设置为与新数据中的类数量相同的大小。要想在新的层次上比在转移的层次上学得更快，就要增加加权比率因子和BiasLearnRateFactor完全连接层的值。

numClasses=numel（类别（imdsTrain.Labels））

numClasses = 5

layers = [layertransfer fulllyconnectedlayer (numClasses，“WeightLearnRateFactor”20，“BiasLearnRateFactor”, 20) softmaxLayer classificationLayer];

列车网络的

网络需要大小为227 × 227 × 3的输入图像，但图像数据存储中的图像大小不同。使用扩充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，并随机将它们水平和垂直平移至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”，像素范围，...“RandYTranslation”, pixelRange);augimdsTrain = augmentedImageDatastore (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扩展，请使用扩展后的图像数据存储，而不指定任何额外的预处理操作。

augimdsValidation=增强图像数据存储（inputSize（1:2），imdsValidation）；

指定培训选项。对于转移学习，将特征与预磨料网络的早期层保持（转移的层重量）保持。为了减慢转移层的学习，将初始学习率设置为小值。在上一步中，您可以增加完全连接层的学习率因子，以加速新的最终层的学习。这种学习速率设置的组合只会在新层次中快速学习，并在其他层中的学习较慢。在进行转移学习时，您不需要为尽可能多的时期训练。epoch是整个培训数据集的完整培训周期。指定迷你批量大小和验证数据。该软件每个都验证网络验证频率迭代在训练。

选项=培训选项（“个”，...“MiniBatchSize”,10,...'maxepochs'6...“InitialLearnRate”，1e-4，...“洗牌”，'每个时代'，...'vightationdata'augimdsValidation,...'验证职业'，3,...“详细”，错误的，...“阴谋”，“培训进度”）;

训练由传输层和新层组成的网络。默认情况下，trainNetwork如果GPU可用，则使用GPU，否则使用CPU。GPU上的培训需要并行计算工具箱™和支持的GPU设备。金宝app有关支持的设备的信息，请参见金宝appGPU支金宝app持情况（并行计算工具箱）．属性也可以指定执行环境“ExecutionEnvironment”名称 - 值对参数培训选项．

nettransfer = trainnetwork（augimdstrain，图层，选项）;

验证图像进行分类

使用微调网络对验证图像进行分类。

[YPred，得分]=分类（净转移，augimdsValidation）；

显示四个样本验证图像与他们的预测标签。

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

计算验证集的分类准确性。准确性是网络正确预测的标签的分数。

YValidation = imdsValidation.Labels;精度=平均值(YPred == YValidation)

精度= 1

有关提高分类准确性的提示，请参阅深度学习技巧．

加载数据

解压示例图像并将其加载为图像数据存储。imageDatastore自动标签的图像基于文件夹名称和存储数据作为ImageDatastore对象。图像数据存储允许存储大的图像数据，包括内存中不合适的数据。将数据分成70%的训练数据和30%的测试数据。

解压(“MerchData.zip”）;imd = imageDatastore (“MerchData”，...'insertumbfolders'，真的，...'labelsource'，“foldernames”）;[imdsTrain, imdsTest] = splitEachLabel (imd, 0.7,'随机'）;

现在有55个训练图像和20个验证图像在这个非常小的数据集中。显示一些样本图像。

numimagestain = numel（imdstrain.labels）;Idx = Randperm（NumimageStrain，16）;为i=1:16 i{i}=readimage（imdsTrain，idx（i））；结束图imshow (imtile(我))

负载Pretrained网络

加载一个预先训练的AlexNet网络。如果是深度学习工具箱模型AlexNet网络金宝app支持包未安装，然后软件提供下载链接。AlexNet培训超过一百万个图像，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，该模型学习了丰富的特征表示范围广泛的图像。

网= alexnet;

显示网络结构。网络有五个卷积层和三个完全连接的层。

网。层

ans=25x1层阵列，带层：1“数据”图像输入227x227x3图像，带“零中心”标准化2“conv1”卷积96 11x11x3卷积，带跨距[4]和填充[0]3“relu1”ReLU ReLU 4“norm1”跨通道规格化跨通道规格化每个元素5个通道5“pool1”最大池3x3最大池带跨步[2]和填充[0 0 0 0]6“conv2”分组卷积2组128个5x5x48卷积带跨步[1]和填充[2 2 2 2 2]7“relu2”ReLU ReLU 8“norm2”跨通道规格化跨通道规格化每个元素5个通道9“pool2”最大池3x3最大池带跨步[2]和填充[0 0 0 0]10“conv3”卷积384 3x256卷积带跨步[1]和填充[1 1 1 1 1]11“relu3”ReLU ReLU 12“conv4”分组卷积2组192 3x3x192卷积带跨步[11]和填充[11]13“relu4”ReLU ReLU ReLU 14“conv5”分组卷积2组128 3x3x192卷积带跨步[11]和填充[11]15“relu5”ReLU ReLU 16“pool5”最大池3x3最大池带跨步[2]和填充[0 0 0 0]17“fc6”完全连接4096完全连接层18“relu6”ReLU ReLU 19“drop6”drop6”Dropout 50%Dropout 20“fc7”完全连接4096完全连接层21“relu7”ReLU ReLU 22“drop7”Dropout 50%Dropout 23“fc8”完全连接1000完全连接层24“prob”Softmax Softmax 25“output”分类输出交叉入口投影带“tench”及其他类别

第一层，即图像输入层，需要大小为227×227×3的输入图像，其中3是颜色通道的数量。

.InputSize inputSize = net.Layers (1)

InputSize =1×3227 227 3

提取图像特征

该网络构建了输入图像的层次表示。较深的层包含使用较早层的较低层次特性构造的较高层次特性。要获得训练和测试图像的特征表示，使用激活在完全连接的层上“fc7”. 要获得较低级别的图像表示，请使用网络中较早的层。

网络需要大小为227 × 227 × 3的输入图像，但图像数据存储中的图像大小不同。要在将训练和测试图像输入到网络之前自动调整其大小，请创建扩展的图像数据存储，指定所需的图像大小，并使用这些数据存储作为输入参数激活．

augimdsTrain=augmentedImageDatastore（inputSize（1:2），imdsTrain）；augimdtest=augmentedImageDatastore（inputSize（1:2），imdsTest）；层=“fc7”；特征应变=激活（净、螺旋应变、层、，'outputas'，“行”); featuresTest=激活（净、模拟测试、层、，'outputas'，“行”）;

从训练和测试数据中提取类标签。

YTrain = imdsTrain.Labels;欧美= imdsTest.Labels;

Fit图像分类器

利用从训练图像中提取的特征作为预测变量，拟合出多类支持向量机金宝appfitcecoc.统计学和机器学习工具箱。

mdl=fitcecoc（特征菌株，YTrain）；

分类测试映像

使用培训的SVM模型和从测试图像中提取的功能进行分类测试图像。

featuresTest YPred =预测(mdl);

显示四个样本测试图像与他们的预测标签。

Idx = [1 5 10 15];数字为i=1:numel（idx）子批次（2,2，i）i=readimage（imdsTest，idx（i））；label=YPred（idx（i））；imshow（i）title（label）结束

计算测试集的分类准确性。准确性是网络正确预测的标签的分数。

精度=平均值(YPred == YTest)

精度= 1

这种SVM精度高。如果使用特征提取足够高的精度不足，则尝试转移学习。