这个例子展示了如何使用deep network Designer创建和训练一个简单的卷积神经网络进行深度学习分类。卷积神经网络是深度学习的重要工具,尤其适用于图像识别。
在这个例子中,你:
导入图像数据。
定义网络架构。
指定培训选项。
培训网络。
加载数字示例数据作为图像数据存储。的imageDatastore
函数根据文件夹名称自动标记图像。该数据集有10个类,数据集中的每张图像都是28 * 28 * 1像素。
digitDatasetPath = fullfile (matlabroot,“工具箱”,“nnet”,“nndemos”,...“nndatasets”,“DigitDataset”);imd = imageDatastore (digitDatasetPath,...“IncludeSubfolders”,真的,...“LabelSource”,“foldernames”);
开放的深度网络设计器。创建一个网络,导入和可视化数据,并使用Deep network Designer培训网络。
deepNetworkDesigner
要创建一个空白的网络,请暂停空白的网络并点击新.
要导入映像数据存储,请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
作为数据源。留出30%的训练数据作为验证数据。通过选择将观察值随机分配到训练和验证集随机化.
通过单击导入数据进口.
在设计师窗格,定义卷积神经网络架构。拖动图层层的图书馆并连接它们。要快速搜索图层,请使用过滤层的搜索框层的图书馆窗格。若要编辑图层的属性,请单击该图层并编辑图层中的值属性窗格。
按照这个顺序连接图层:
imageInputLayer
与InputSize
属性设置为28日,28岁,1
convolution2dLayer
batchNormalizationLayer
reluLayer
fullyConnectedLayer
与OutputSize
属性设置为10
softmaxLayer
classificationLayer
有关深度学习层的更多信息,请参见深度学习层列表.
指定训练选项并训练网络。
在培训选项卡上,单击培训方案.对于本例,将最大纪元数设置为5,并保持其他默认设置。通过单击设置训练选项关闭.有关培训选项的更多信息,请参见设置参数并训练卷积神经网络.
通过点击训练网络火车.
准确度是指网络预测正确的标签的比例。在这种情况下,超过97%的预测标签与验证集的真实标签匹配。
要将训练过的网络导出到工作区,请在培训选项卡上,单击出口.
在深度学习的下一步中,你可以尝试使用预先训练好的网络来完成其他任务。使用迁移学习解决图像数据上的新分类问题。例如,请参见开始迁移学习.要了解更多关于预训练网络的信息,请参见预处理的深度神经网络.