创建简单的图像分类网络使用深层网络设计师
这个例子展示了如何创建和培养深度学习的一个简单卷积神经网络分类使用深层网络设计师。深度学习卷积神经网络是必不可少的工具,尤其适合于图像识别。
在本例中,您:
导入图像数据。
定义网络体系结构。
指定培训选项。
培训网络。
加载数据
加载数字样本数据作为图像数据存储。的imageDatastore函数自动标签图像基于文件夹的名字。数据集有10类和数据集内的每个图像28-by-28-by-1像素。
digitDatasetPath = fullfile (matlabroot,“工具箱”,“nnet”,“nndemos”,…“nndatasets”,“DigitDataset”);imd = imageDatastore (digitDatasetPath,…“IncludeSubfolders”,真的,…“LabelSource”,“foldernames”);
打开深层网络设计师。创建一个网络,导入和可视化数据,使用深度和培训网络网络设计师。
deepNetworkDesigner
创建一个空白的网络,暂停空白的网络并点击新。
导入图像数据存储,选择数据选项卡并单击导入数据>导入图像数据。选择洛桑国际管理发展学院作为数据来源。预留30%的训练数据作为验证数据。随机分配观测通过选择训练集和验证集随机化。
通过点击导入数据进口。
定义网络体系结构
在设计师窗格中,定义了卷积神经网络架构。拖的层层的图书馆并连接它们。快速搜索层,使用过滤层搜索框中层的图书馆窗格。要编辑的属性层,单击图层,编辑中的值属性窗格。
连接层在这个顺序:
imageInputLayer与InputSize属性设置为28日,28岁,1convolution2dLayerbatchNormalizationLayerreluLayerfullyConnectedLayer与OutputSize属性设置为10softmaxLayerclassificationLayer
关于深层学习的更多信息,请参阅深度学习层的列表。
列车网络的
指定培训方案和培训网络。
在培训选项卡上,单击培训方案。对于这个示例,时代的最大数量设置为5,保持默认设置。通过点击设置培训选项关闭。关于培训选项的更多信息,请参阅设置参数和卷积神经网络训练。
通过点击培训网络火车。
标签的准确性是分数网络预测正确。在这种情况下,超过97%的预测标签匹配的标签验证集。
出口训练网络工作区,在培训选项卡上,单击出口。
下一步的深入学习,你可以尝试使用pretrained网络为其他任务。解决新分类问题在你的图像数据传输的学习。例如,请参见学习开始转移。更多地了解pretrained网络,看到的Pretrained深层神经网络。
