加载数据

解压缩并将新图像加载为图像数据存储。imageageAtastore.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型图像数据，包括不能装入内存的数据，并在卷积神经网络训练期间有效地读取成批图像。

解压缩('merchdata.zip'）;imds = imageageatastore（“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分裂的图片数据存储到两个新的数据存储。

[IMDStrain，IMDSValidation] = SpliteachLabel（IMDS，0.7，'随机'）;

这一非常小的数据设置现在包含55个训练图像和20个验证图像。显示一些样本图像。

numtrainimages = numel（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

负载净化网络

加载普里雷普雷雷亚历克特神经网络。如果是深度学习工具箱™模型对于AlexNet网络没有安装，则软件提供一个下载链接。AlexNet训练了100多万幅图像，可以将图像分类为1000种物体类别，如键盘、鼠标、铅笔和许多动物。结果，该模型已经学习到丰富的特征表示的广泛的图像。

net = alexnet;

使用分析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）

第一层是图像输入层，需要输入的图像尺寸为227 × 227 × 3，其中3是颜色通道的数量。

InputSize = Net.Layers（1）.InputSize

InputSize =.1×3227 227 3

取代最后一层

普里普雷德网络的最后三层网配置为1000类。这三层必须进行微调，以获得新的分类问题。从佩带的网络中提取除最后三个之外的所有图层。

layersTransfer = net.Layers (1: end-3);

通过用一个完全连接的层、一个softmax层和一个分类输出层替换最后三个层来转移层到新的分类任务。根据新数据指定新的完全连接层的选项。将完全连接的层设置为与新数据中的类数量相同的大小。要在新的层次上比在转移的层次上学习得更快，增加WeightLearnRateFactor和Biaslearnratefactor.完全连接层的值。

numClasses =元素个数(类别(imdsTrain.Labels))

numClasses = 5

图层= [TALERSTRANSFER全连接层（NUMCLASS，'wexerlearnratefactor', 20岁,“BiasLearnRateFactor”, 20) softmaxLayer classificationLayer];

列车网络的

网络需要输入大小为227 × 227 × 3的图像，但是图像数据存储中的图像大小不同。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额外的增强操作:沿着垂直轴随机翻转训练图像，并在水平和垂直方向随机将它们平移到30个像素。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 = AugmentedimageGedataStore（Inputsize（1：2），IMDstrain，…“DataAugmentation”, imageAugmenter);

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，而无需指定任何其他预处理操作。

augimdsValidation = augmentedImageDatastore (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ValidationFrequency迭代在训练。

选项=培训选项（'sgdm',…“MiniBatchSize”10…“MaxEpochs”，6，…'italllearnrate'1的军医,…'洗牌','每个时代',…'vightationdata'，augimdsvalidation，…'验证职业'，3，…'verbose'，错误的，…“阴谋”,“训练进步”）;

训练由传输层和新层组成的网络。默认情况下,Trainnetwork.使用GPU，如果有一个可用的（需要并行计算工具箱™和CUDA®启用的GPU，则具有计算能力3.0或更高版本）。否则，它使用CPU。您还可以使用使用指定执行环境“ExecutionEnvironment”名称 - 值对参数培训选项。

netTransfer = trainNetwork (augimdsTrain层,选项);

验证图像进行分类

使用经过微调的网络对验证图像进行分类。

[YPred,分数]= (netTransfer augimdsValidation)进行分类;

显示四个带有预测标签的示例验证图像。

idx = randperm（numel（imdsvalidation.files），4）;数字为i = 1：4子图（2,2，i）i = ReadImage（IMDSValidation，IDX（i））;imshow（i）标签= 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=均值（ypred == yvalidation）

精度= 1

有关提高分类准确性的技巧，请参见深度学习提示和技巧。