提取数据

在工作区中，提取MathWorks Merch数据集。这是一个小数据集，包含75幅MathWorks商品图片，属于五个不同的类别(帽，多维数据集，打牌，螺丝刀,手电筒).

解压缩(“MerchData.zip”);

选择一个预训练的网络

打开深网设计器，就可以了应用程序选项卡,在机器学习与深度学习，单击应用程序图标。或者，你可以从命令行打开应用程序:

deepNetworkDesigner

深度网络设计器提供了预先训练的图像分类网络的选择，这些网络学习了丰富的特征表示，适合于广泛的图像。如果您的图像与最初用于训练网络的图像相似，迁移学习效果最好。如果您的训练图像是像ImageNet数据库中那样的自然图像，那么任何预先训练的网络都是合适的。有关可用网络的列表以及如何比较它们，请参见预先训练的深度神经网络．

如果您的数据与ImageNet数据非常不同(例如，如果您有微小的图像、光谱图或非图像数据)，那么训练一个新的网络可能会更好。有关如何从头开始训练网络的示例，请参见使用Deep Network Designer创建简单的序列分类网络和在Deep Network Designer中创建简单的语义分段网络．

SqueezeNet不需要额外的支持包。金宝app对于其他预先训练过的网络，如果你没有安装所需的支持包，那么应用程序将提供金宝app安装选择。

选择SqueezeNet从预训练网络列表中，单击开放．

探索网络

Deep Network Designer在中显示整个网络的缩小视图设计师窗格。

探索网络情节。要用鼠标放大，请使用Ctrl+滚轮。要平移，请使用方向键，或按住滚轮并拖动鼠标。选择一个图层查看它的属性。取消选择所有层，查看网络摘要性质窗格。

导入数据

将数据加载到深度网络设计器中，在数据选项卡上,单击导入数据>导入图像数据．打开“导入图像数据”对话框。

在数据源列表中,选择文件夹点击浏览并选择提取的MerchData文件夹。

图像增强

您可以选择对训练数据应用图像增强。Deep Network Designer应用程序提供以下增强选项:

通过对数据应用随机增强，可以有效地增加训练数据的数量。增强还使您能够训练网络以对图像数据的畸变保持不变。例如，可以向输入图像添加随机旋转，这样网络就不会因输入图像的旋转而改变。

对于本例，在x轴上应用随机反射，从[-90,90]度范围内应用随机旋转，从[1,2]范围内应用随机重缩放。

验证数据

您还可以选择从训练数据中分离验证数据，或者从其他来源导入验证数据。验证将评估新数据与训练数据相比的模型性能，并帮助您监控性能和防止过拟合。

对于本例，使用30%的图像进行验证。

点击进口将数据导入Deep Network Designer。

可视化数据

使用Deep Network Designer，您可以在数据选项卡。您可以看到，在这个示例中，数据集中有5个类。您还可以看到每个类的随机观察结果。

为培训准备网络

在中编辑网络设计师窗格以指定数据中的新类数目。为准备迁移学习的网络，替换最后一个可学习层和最后一个分类层。

替换最后一个可学习层

要使用预先训练过的网络进行迁移学习，必须更改班级数以匹配新的数据集。首先，找到网络中最后一个可学习层。对于SqueezeNet来说，最后一个可学习层是最后一个卷积层，“conv10”．在这种情况下，将卷积层替换为一个新的卷积层，该卷积层的过滤器数量等于类的数量。

拖动一个新的convolution2dLayer到画布上。为了匹配原始卷积层，设置FilterSize来1,1．

的微粒过滤器属性定义分类问题的类数。改变微粒过滤器更改为新数据中的类数，在本例中，5．

通过设置更改学习速率，使新层中的学习速度快于传输层中的学习速度WeightLearnRateFactor和双线性学习因子来10．

删除最后一个2d卷积层，并连接你的新层代替。

替换输出层

对于迁移学习，您需要替换输出层。滚动到列表的末尾层的图书馆然后拖动一个新的classificationLayer在画布上。删除原始分类层，并在其位置连接新层。

对于新的输出层，不需要设置OutputSize．在训练时，Deep Network Designer自动从数据中设置该层的输出类。

检查网络

要检查网络是否已准备好接受培训，请单击分析．如果深度学习网络分析仪报告零错误，那么编辑后的网络就可以进行训练了。

列车网络的

在Deep Network Designer中，您可以训练在应用程序中导入或创建的网络。

使用默认设置训练网络，在训练选项卡上,单击火车．默认的训练选项更适合于大数据集，对于小数据集，可以减少小批量的大小和验证频率。

如果您想对培训有更大的控制，请单击培训方案并选择要训练的设置。

对于本例，设置初始学习率来0.0001，ValidationFrequency来5,最大时代来8. 因为有55个观测值，所以设置小批量来11平均划分训练数据，确保在每个epoch使用整个训练数据集。有关选择培训选项的更多信息，请参见trainingOptions．

要使用指定的培训选项培训网络，请单击关闭然后点击火车．

Deep Network Designer允许您可视化和监视培训进度。然后，如果需要，您可以编辑培训选项并重新培训网络。

导出结果并生成MATLAB代码

要导出具有训练权重的网络体系结构，请在训练选项卡，选择出口>出口培训网络和成果．深度网络设计器输出训练有素的网络作为变量培训网络1以培训信息作为变量trainInfoStruct_1．

trainInfoStruct_1

trainInfoStruct_1 =带字段的结构：培训损失：[1×40双]培训准确性：[1×40双]验证损失：[4.3374南2.4329南1.3966南0.7526南0.6424南南0.6349南南0.5940南南0.5490南0.5179]验证准确性：[10楠楠楠楠15楠楠楠楠40楠楠楠楠70楠楠楠楠85楠楠楠90楠楠楠楠85楠楠楠楠楠楠90楠楠楠楠95]基本学习率：[1×40双倍]最终验证损失：0.5179最终验证精度：95

您还可以生成MATLAB代码，它可以重新创建网络和使用的培训选项。在训练选项卡，选择出口>生成培训代码．检查MATLAB代码，学习如何以编程方式准备训练数据，创建网络架构，并训练网络。

分类新形象

加载新图像以使用训练过的网络进行分类。

I=imread(“MerchDataTest.jpg”);

深度网络设计器在训练期间调整图像的大小，以匹配网络输入的大小。如果需要查看网络输入大小，请进入设计师窗格，并选择imageInputLayer（第一层）。该网络的输入大小为227×227。

调整测试图像大小以匹配网络输入大小。

I = imresize(I， [227 227]);

使用训练好的网络对测试图像进行分类。

[YPred，probs]=分类（训练网络_1，I）；imshow（I）标签=YPred；标题（字符串（标签）+"， "+num2str（最大值为100*3）+“%”);