此示例演示如何导入具有平方和误差(SSE)损失的自定义分类输出层,并将其添加到Deep network Designer中的预训练网络。
定义自定义分类输出层。若要创建此层,请保存文件SSeClassionLayer.m
在当前文件夹中。有关构造此层的详细信息,请参阅定义自定义分类输出层.
创建图层的实例。
SSeClassionLayer=SSeClassionLayer(“sse”);
使用预先训练的GoogLeNet网络打开Deep Network Designer。
deepNetworkDesigner(谷歌网);
为了适应预先训练的网络,用适应新数据集的新层替换最后一个可学习层和最终分类层“loss3分类器”
和“输出”
分别地
在设计师窗格中,拖动一个新的完全连接层
从图层库放在画布上,开始输出大小
对于新的类数,在本例中,2.
.
编辑学习速率,使新层的学习速度比转移层更快。设置加权比率因子
和双线性学习因子
到10
。删除最后一个完全连接的图层,然后连接新图层。
接下来,用自定义分类输出层替换输出层。单击新的在设计师窗玻璃暂停从工作空间点击进口。要导入自定义分类图层,请选择SSE分类层
点击好啊.
通过单击将层添加到当前GoogLeNet预训练网络添加. 应用程序将自定义层添加到页面顶部设计师窗格。要查看新图层,请使用鼠标放大或单击放大.
将自定义图层拖动到图形的底部设计师窗格。用新的分类输出层替换输出层并连接新层。
通过单击来检查您的网络分析。如果深度学习网络分析仪报告零错误,则网络已准备好接受培训。
构建网络后,即可导入数据并进行培训。有关在Deep network Designer中导入数据和培训的更多信息,请参阅使用Deep Network Designer进行迁移学习.