负载Pretrained网络

从支持文件加载预先训练的网络金宝appdigitsNet.mat．这个文件包含一个对手写数字进行分类的分类网络。

负载digitsNet层=净。层

图层数组:1“imageinput”图像输入28××28日1图像“zerocenter”正常化2 conv_1的卷积8 3×3×1的隆起与步幅[1]和填充“相同”3“batchnorm_1”批量标准化批量标准化8通道4的relu_1 ReLU ReLU 5“maxpool_1”马克斯池2×2马克斯池步(2 - 2)和填充[0 0 0 0]6“conv_2”卷积16 3×3×8旋转步[1]和填充“相同”7”batchnorm_2批量标准化批量标准化与16通道8 ' relu_2 ReLU ReLU 9“maxpool_2”马克斯池2×2马克斯池步(2 - 2)和填充[0 0 0 0]10 conv_3的卷积32 3×3×16步[1]和填充的卷积‘相同’11“batchnorm_3”Batch normalizing Batch Normalization with 32 channels 12 'relu_3' ReLU ReLU 13 'fc' Fully Connected 10 Fully Connected layer 14 'softmax' softmax softmax 15 'classoutput' classoutput crossentropyex with '0'和9个其他类

加载数据

数据集包含手写数字的合成图像以及相应的旋转角度(以角度表示)。

将训练和验证图像加载为4-D数组digitTrain4DArrayData和digitTest4DArrayData．输出YTrain和YValidation是旋转角度的度数。每个训练和验证数据集包含5000张图像。

[XTrain ~, YTrain] = digitTrain4DArrayData;[XValidation ~, YValidation] = digitTest4DArrayData;

显示20个随机训练图像使用imshow．

numTrainImages =元素个数(YTrain);图idx = randperm(numTrainImages,20);为i = 1:元素个数(idx)次要情节(4、5、i) imshow (XTrain (:,:,:, idx(我)))结束

取代最后一层

网络的卷积层提取图像特征，最后一个可学习层和最后一个分类层用来对输入图像进行分类。这两个层,“俱乐部”和“classoutput”在digitsNet，包含关于如何将网络提取的特征组合成类别概率、损失值和预测标签的信息。为了重新训练一个预先训练的回归网络，用适应任务的新层代替这两层。

将最终的完全连接层、softmax层和分类输出层替换为大小为1(响应数)的完全连接层和回归层。

numResponses = 1;layers = [layers(1:12) fulllyconnectedlayer (numResponses) regressionLayer];

冻结初始层

网络现在已经准备好接受关于新数据的再培训。你还可以选择将网络中较早层次的学习速率设置为零，从而“冻结”这些层次的权重。在培训期间,trainNetwork不更新冻结层的参数。由于冻结层的梯度不需要计算，冻结许多初始层的权值可以显著加快网络训练速度。如果新数据集很小，那么冻结较早的网络层也可以防止这些层对新数据集过度拟合。

使用支持函数金宝appfreezeWeights设置前12层的学习速率为零。

层(1:12)= freezeWeights(层(1:12));

列车网络的

创建网络培训选项。设置初始学习率为0.001。在培训期间通过指定验证数据监控网络的准确性。打开训练进度图，并关闭命令窗口输出。

选择= trainingOptions (“个”，．．．“InitialLearnRate”, 0.001,．．．“ValidationData”{XValidation, YValidation},．．．“阴谋”，“训练进步”，．．．“详细”、假);

使用以下命令创建网络trainNetwork．该命令使用兼容的GPU(如果可用)。使用GPU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)．否则,trainNetwork使用CPU。

网= trainNetwork (XTrain、YTrain层,选择);

测试网络

通过评估验证数据的准确性来测试网络的性能。

使用预测来预测验证图像的旋转角度。

YPred =预测(净,XValidation);

通过计算来评估模型的性能:

计算预测与实际转角之间的预测误差。

predictionError = YValidation - YPred;

从真实的角度计算在可接受的误差范围内的预测数量。设置阈值为10度。计算在这个阈值内的预测的百分比。

用力推= 10;numCorrect = sum(abs(predictionError) < thr);numImagesValidation =元素个数(YValidation);= numCorrect / numImagesValidation准确性

精度= 0.7532

使用均方根误差(RMSE)来测量预测的和实际的旋转角度之间的差异。

rmse =√意味着(predictionError ^ 2))

rmse =单9.0270

正确的数字旋转

您可以使用图像处理工具箱中的函数来调整数字并将它们一起显示。旋转49个样本数字根据他们的预测旋转角度使用imrotate(图像处理工具箱)。

idx = randperm (numImagesValidation, 49);为i = 1:numel(idx) i = XValidation(:，:，:，idx(i));Y = YPred (idx (i));XValidationCorrected (::,:, i) = imrotate (Y,我“双三次的”，“作物”)；结束

显示原始数字及其校正旋转。使用蒙太奇(图像处理工具箱)以在单一图像中同时显示数字。

figure subplot(1,2,1) montage(XValidation(:，:，:，idx)) title(“原始”)子情节(1,2,2)蒙太奇(XValidationCorrected)标题(“纠正”）