加载数据

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．

定义网络体系结构

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:

有关深度学习层的更多信息，请参见深度学习层列表．

列车网络的

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．