额外的资料

Descomprima los datos en el área de trabajo。

解压缩(“MerchData.zip”）;

选择una红，preentrenada

Abra深度网络设计器。

deepNetworkDesigner

Cargue una red GoogLeNet preentrenada seleccionándola en la página de inicio de Deep Network Designer。Si necessary descargar la red, haga clic en安装附加组件资源管理器。

深度网络设计师必须要有一个完整的红色。探索la gráfica de red。Para ampliarla con el ratón，使用Ctrl+ la rueda de desplazamiento。

Cargar un conjunto de datos

Para cargar los datos en Deep Network Designer, vaya a la pestaña数据Y haga clic en导入数据>导入镜像数据。Se abrirá el cuadro de diálogo导入图像数据。

En la lista数据源, seleccione文件夹。Haga clic浏览y seleccione la carpet merchant data que ha extraído。

我们的国家diálogo también permite dividir los datos de validación desde la app. diva los datos y asigne El 70% al entramiento y El 30% a la validación。

特别的，在我们的世界里，在我们的世界里imágenes在我们的世界里。Para este ejemplo, applique una reflexión aleatoria en el eje x, una rotación aleatoria a partir del intervalo [-90,90] grados, y unescalado aleatoro a partir del intervalo[1,2]。

Haga clic进口para important los datos en Deep Network Designer。

深度网络设计师permite realizar una inspección视觉德拉distribución de los datos de entrenamiento y los datos de validación en la pestaña数据。我们都在一起，我们都在一起，我们都在一起。También任意分类的可视化观察。

深度网络设计师cambia el tamaño de las imágenes durante el entrenamiento de forma que巧合con el tamaño de entrada de la red。Para ver el tamaño de entrada de la red, vaya a la pestaña设计师Y haga clic enimageInputLayer。El tamaño de entrada de la red es de 224 por 224。

Editar una red para la transferencia del aprendizaje

Para volver a centrar una red preentrenada Para clasica nuevas imágenes, sustituya la última capa de aprendizaje y la última capa de clasificación poror otras adaptadas al nuevo conjunto de datos。在GoogLeNet上，在我们的世界里“loss3-classifier”y“输出”, respectivamente。

Vaya a la pestaña设计师你是新来的fullyConnectedLayer图书馆图书馆层的图书馆。EstablezcaOutputSizeEn el número关于新数据的分类(5En este ejemplo)。

编辑的las tasas de aprendizaje para aprender más rápido在新方法上，在转换方法上。EstablezcaWeightLearnRateFactoryBiasLearnRateFactor在10。Elimine la última总的结合体和结合体新结合体在苏卢格。

Sustituya la capa de salida。Desplácese最后的图书馆层的图书馆你是新来的classificationLayerlienzo。Elimine la capa输出原来的新卡帕混凝土在苏卢格。。

红色准将

Compruebe la红色haciendo clic en分析。Si el analizador深度学习网络分析仪no detecta ningún error, la red está prepareada para el entrenamiento。

Entrenar la red

Para entrenar la red con la configuración预先确定，vaya a la pestaña培训Y haga clic en火车。

我的上帝，我的上帝，我的上帝，我的上帝培训方案Y seleccione la configuración de entrenamiento。有关既定结果的结论más有关既定结果的结论tamaño。与数据相联系的人más还原，价值的运用más pequeños para tamaño迷你对话validación。Para obtener más información清醒cómo为你服务的人，顾问trainingOptions。

我爱你，我爱你InitialLearnRate在0.0001，ValidationFrequency在5yMaxEpochs在8。Dado que hay 55 observaciones, establishedMiniBatchSize在11对位dividir de entrenamiento de los拿督形式uniforme y asegurese德,它拉totalidad del conjunto de entrenamiento杜兰特每uno de de epoca是高。

红之心，红之心，红之心，红之心，红之心，红之心关闭吕戈恩火车。

深度网络设计可视化监控进程。Después，我们的编辑，我们的行动，我们的行动，我们的行动。

这是出口的结果

对出口的影响，对国家的影响pestaña培训y seleccione出口>输出训练过的网络和结果。深度网络设计输出一个红色的entrenada como la变量trainedNetwork_1Y la información与变量的联系trainInfoStruct_1。

También puede generar código de MATLAB, que rela la red and las opciones de entrenamiento utizadas。Vaya a la pestaña培训y seleccione出口>生成培训代码。

Probar una red preentrenada

选择一个新意象，对分类，对红色。

I = imread(“MerchDataTest.jpg”）;

Cambie el tamaño de la imagen de prueba de forma que contra con tamaño de entrada de la red。

I = imresize(I， [224 224]);

分类的形象，在prueba和la红entrenada。

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

Para obtener más información清醒地看待问题，包括其他问题，咨询深度网络设计器。