データの解凍

ワークスペースで,MathWorks营销データセットを解凍します。75年これは個のMathWorksの商品イメージから成る小さなデータセットであり,5つの異なるクラス(“帽”,“立方体”,“打牌”,“螺丝刀”,“火炬”)に属します。

解压缩(“MerchData.zip”)；

事前学習済みのネットワークの選択

ディープネットワークデザイナーを開くには,[アプリ]タブの[機械学習および深層学習]でアプリのアイコンをクリックします。あるいは,コマンドラインからアプリを開くこともできます。

deepNetworkDesigner

ディープネットワークデザイナーには,広範囲のイメージに適した豊富な特徴表現を学習している,さまざまな事前学習済みのイメージ分類ネットワークが用意されています。転移学習は,使用するイメージが,ネットワークの学習時にもともと使用されたイメージに類似している場合に特に効果を発揮します。使用する学習イメージがImageNetデータベースに含まれるような自然イメージの場合,どの事前学習済みネットワークも適しています。使用可能なネットワークの一覧,およびネットワークを比較する方法については,事前学習済みの深層ニューラルネットワークを参照してください。

使用するデータがImageNetのデータと大きく異なる場合(たとえば,非常に小さいイメージ,スペクトログラム,またはイメージ以外のデータを使用する場合)は,新しいネットワークに学習させる方が良いこともあります。ネットワークにゼロから学習させる方法を示す例については,ディープネットワークデザイナーを使用したシンプルなシーケンス分類ネットワークの作成およびディープネットワークデザイナーでの簡単なセマンティックセグメンテーションネットワークの作成を参照してください。

SqueezeNetでは追加のサポートパッケージが必要ありません。その他の事前学習済みネットワークでは,必要なサポートパッケージがインストールされていない場合,[インストール]オプションがアプリに表示されます。

事前学習済みネットワークの一覧から(SqueezeNet)を選択し,[開く]をクリックします。

ネットワークの調査

ディープネットワークデザイナーの[デザイナー]ペインにネットワーク全体が縮小表示されます。

ネットワークのプロットを確認します。マウスでズームインするには,Ctrlキーを押しながらスクロールホイールを使用します。移動するには,方向キーを使用するか,スクロールホイールを押したままでマウスをドラッグします。プロパティを表示する層を選択します。すべての層の選択を解除すると,[プロパティ]ペインにネットワークの概要が表示されます。

データのインポート

ディープネットワークデザイナーにデータを読み込むには,[データ]タブで,[データのインポート]、[イメージデータのインポート]をクリックします。[イメージデータのインポート]ダイアログボックスが開きます。

[データソース]リストの[フォルダー]を選択します。[参照]をクリックし,解凍したMerchDataフォルダーを選択します。

イメージ拡張

学習データにイメージ拡張を適用するよう選択することが可能です。ディープネットワークデザイナーアプリには以下の拡張オプションが用意されています。

ランダム化された”拡張”をデータに適用して,実質的に学習データの量を増やすことができます。拡張では,イメージデータの歪みに対して不変になるようにネットワークに学習させることもできます。たとえば,入力イメージに存在する回転に対してネットワークが不変になるように,入力イメージにランダムな回転を追加できます。

この例ではX軸方向のランダムな反転,(-90、90)度の範囲のランダムな回転,[1,2]の範囲のランダムな再スケーリングを実行します。

検証データ

検証データを学習データから分割してインポートするか,それとも他のソースからインポートするかを選択することも可能です。検証では,学習データと比較して新しいデータのモデルパフォーマンスが推定され,パフォーマンスの監視や過適合の防止に役立ちます。

この例では,イメージの30%を検証に使用します。

[インポート]をクリックして,ディープネットワークデザイナーにデータをインポートします。

データの可視化

ディープネットワークデザイナーを使用すると,[データ]タブにある学習データと検証データの分布を視覚的に検査できます。この例では,データセットにクラスが 5 つあることが確認できます。各クラスからのランダムな観測値も確認できます。

学習用のネットワークの準備

[デザイナー]ペインのネットワークを編集して,データの新しいクラス数を指定します。転移学習用のネットワークを準備するために,最後の学習可能な層と最終分類層を置き換えます。

最後の学習可能な層の置き換え

転移学習に事前学習済みネットワークを使用するには,新しいデータセットに一致するようにクラス数を変更しなければなりません。まず,ネットワークの最後の学習可能な層を見つけます。SqueezeNetの最後の学習可能な層は,最後の畳み込み層“conv10”です。この場合は,その畳み込み層を,クラスの数と同じ数のフィルターを持つ新しい畳み込み層に置き換えます。

新しいconvolution2dLayerをキャンバスにドラッグします。元の畳み込み層と一致させるために,FilterSizeを1，1に設定します。

NumFiltersプロパティは,分類問題のクラス数を定義します。NumFiltersを新しいデータのクラス数(この例では5)に変更します。

WeightLearnRateFactorおよびBiasLearnRateFactorを10に設定して学習率を変更し,新しい層での学習速度を転移層より速くします。

最後の2次元畳み込み層を削除して,代わりに新しい層を結合します。

出力層の置き換え

転移学習用に,出力層を置き換える必要があります。[層のライブラリ]の最後までスクロールして,新しいclassificationLayerをキャンバスにドラッグします。元の分類層を削除して,その位置に新しい層を結合します。

新しい出力層には,OutputSizeを設定する必要はありません。学習時に,ディープネットワークデザイナーによって層の出力クラスがデータから自動的に設定されます。

ネットワークの確認

ネットワークの学習の準備が整っていることを確認するには,[解析]をクリックします。深層学習ネットワークアナライザーによってエラー0が報告されている場合,編集したネットワークの学習の準備が整っています。

ネットワークの学習

ディープネットワークデザイナーでは,アプリにインポートした,あるいはアプリで作成したネットワークに学習させることが可能です。

既定の設定でネットワークに学習させるには,[学習]タブの[学習]をクリックします。既定の学習オプションは大きなデータセットに適しています。小さなデータセットの場合は,ミニバッチサイズを小さくし,検証頻度を減らします。

学習をさらに細かく制御するには,(学習オプション]をクリックして学習の設定を選択します。

この例では,InitialLearnRateを0.0001に,ValidationFrequencyを5に,MaxEpochsを8に設定します。観測値が55個あるため,MiniBatchSizeを11に設定して学習データを均等に分け,各エポックで必ず学習データセット全体が使用されるようにします。学習オプションの詳細については,trainingOptionsを参照してください。

指定した学習オプションでネットワークを学習させるには,[閉じる]をクリックしてから[学習]をクリックします。

ディープネットワークデザイナーでは,学習の進行状況の可視化と監視が行えます。必要に応じて,学習オプションを編集してネットワークを再学習させることができます。

結果のエクスポートとMATLABコードの生成

学習した重みを含むネットワークアーキテクチャをエクスポートするには,[学習]タブの[エクスポート]、(学習済みネットワークと結果のエクスポート]を選択します。ディープネットワークデザイナーによって,学習済みネットワークが変数trainedNetwork_1に,学習情報が変数trainInfoStruct_1にエクスポートされます。

trainInfoStruct_1

trainInfoStruct_1 =结构体字段:TrainingLoss:[1×40双]TrainingAccuracy:[1×40双]ValidationLoss:[4.3374 1.3966 2.4329南南南南南南南南南南南南南南南0.7526 0.6424 0.5940 0.6349南南南南南南南南南南南南南南南南0.5490 0.5179]ValidationAccuracy:[10 15南南南南南南南南南南南70 90 85年南南南南南南南南南南南南85 90年南南南南南南南南95]BaseLearnRate:[1×40双]FinalValidationLoss: 0.5179 FinalValidationAccuracy: 95

使用するネットワークと学習オプションを再作成するMATLABコードを生成することもできます。[学習]タブの[エクスポート]、(学習用コードの生成)を選択します。MATLABコードを確認して、学習用のデータの準備、ネットワーク アーキテクチャの作成、およびネットワークの学習をプログラムによって行う方法を学びます。

新しいイメージの分類

学習済みネットワークを使用して分類する新しいイメージを読み込みます。

我= imread (“MerchDataTest.jpg”)；

イメージサイズは学習の間,ネットワークの入力サイズに合うようにディープネットワークデザイナーにより変更されます。ネットワークの入力サイズを確認するには,[デザイナー]ペインに移動してimageInputLayer(最初の層)を選択します。このネットワークの入力サイズは227 x 227です。

ネットワークの入力サイズに合うようにテストイメージをサイズ変更します。

I = imresize(I， [227 227]);

学習済みネットワークを使用してテストイメージを分類します。

(YPred,聚合氯化铝)= (trainedNetwork_1, I)进行分类;imshow(I) label = YPred;标题(string(标签)+”、“+ num2str(100 *马克斯(聚合氯化铝),3)+“%”)；