提取数据

在工作空间中，提取MathWorks Merch数据集。这是一个包含75张MathWorks商品图片的小数据集，属于五个不同的类别(帽，多维数据集，打牌，螺丝刀,火炬）.

解压缩(“MerchData.zip”）;

负荷预训练网络

打开深度网络设计器。

deepNetworkDesigner

选择SqueezeNet从预训练网络列表中，单击开放．

深度网络设计器显示了整个网络的缩小视图。

探索网络情节。要用鼠标放大，请使用Ctrl+滚轮。若要平移，请使用方向键，或按住滚轮并拖动鼠标。选择一个图层来查看它的属性。中查看网络摘要属性窗格。

导入数据

要将数据加载到深度网络设计器中，请在数据选项卡上,单击导入数据>导入镜像数据．弹出“导入镜像数据”对话框。

在数据源列表中,选择文件夹．点击浏览并选择解压后的MerchData文件夹。

将数据分为70%的训练数据和30%的验证数据。

指定要对训练图像执行的增强操作。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。对于这个示例，在x轴上应用一个随机反射，在[-90,90]度范围内随机旋转，以及在[1,2]范围内随机缩放。

点击进口将数据导入Deep Network Designer。

编辑迁移学习网络

为了重新训练SqueezeNet对新图像进行分类，需要替换网络的最后一个2-D卷积层和最后一个分类层。在SqueezeNet中，这些图层都有名字“conv10”而且“ClassificationLayer_predictions”,分别。

在设计师窗格，拖动一个新的convolution2dLayer画在画布上。为了匹配原始的卷积层，设置FilterSize来1, - 1．编辑NumFilters为新数据中的类数，在本例中，5．

改变学习率，使学习在新层比在转移层更快通过设置WeightLearnRateFactor而且BiasLearnRateFactor来10．

删除最后一个2-D卷积层，连接你的新层。

替换输出层。滚动到末尾层的图书馆然后拖动一个新的classificationLayer画在画布上。删除原来的输出层，并在原来的位置连接新层。

列车网络的

要选择培训选项，请选择培训选择并单击培训方案．将初始学习速率设置为较小的值，以降低迁移层的学习速度。在前面的步骤中，您增加了2-D卷积层的学习率因子，以加快新的最终层的学习速度。这种学习率设置的组合导致只在新层中快速学习，而在其他层中学习较慢。

对于本例，设置InitialLearnRate来0.0001，ValidationFrequency来5，MaxEpochs来8．因为有55个观测值，所以设定MiniBatchSize来11平均划分训练数据，确保每个纪元都使用整个训练集。

单击，使用指定的训练选项对网络进行训练关闭然后点击火车．

深度网络设计器允许您可视化和监控训练进度。然后，如果需要，您可以编辑训练选项并重新训练网络。

导出结果并生成MATLAB代码

输出培训结果，对培训选项卡上,选择出口>输出训练过的网络和结果．深度网络设计器导出训练好的网络作为变量trainedNetwork_1训练信息作为变量trainInfoStruct_1．

您还可以生成MATLAB代码，它可以重新创建网络和使用的训练选项。在培训选项卡上,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。

新图像分类

加载一个新的图像，使用训练好的网络进行分类。

I = imread(“MerchDataTest.jpg”）;

调整测试图像的大小以匹配网络输入大小。

I = imresize(I， [227 227]);

利用训练好的网络对测试图像进行分类。

[YPred,probs] = category (trainedNetwork_1,I);imshow(I) label = YPred;标题(string(标签)+”、“+ num2str(100*max(probs)，3) +“%”）;