使用深度网络设计器创建简单的图像分类网络
这个例子展示了如何使用深度网络设计器为深度学习分类创建和训练一个简单的卷积神经网络。卷积神经网络是深度学习的基本工具,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。
加载数据
将数字示例数据加载为图像数据存储。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像素为28 × 28 × 1。
digitDatasetPath = fullfile (matlabroot,“工具箱”,“nnet”,“nndemos”,...“nndatasets”,“DigitDataset”);imd = imageDatastore (digitDatasetPath,...“IncludeSubfolders”,真的,...“LabelSource”,“foldernames”);
打开深度网络设计器。使用深度网络设计器创建网络,导入和可视化数据,并训练网络。
deepNetworkDesigner
若要创建空白网络,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。通过选择将观测值随机分配到训练集和验证集随机化.
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。从层的图书馆并连接它们。要快速搜索层,请使用过滤层的搜索框层的图书馆窗格。要编辑一个图层的属性,单击该图层并编辑属性中的值属性窗格。
按以下顺序连接层:
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.
列车网络的
指定培训选项,培训网络。
在培训选项卡上,单击培训方案.对于本例,将最大epoch数设置为5,保持其他默认设置。通过单击设置培训选项关闭.有关培训选项的更多信息,请参见参数设置与卷积神经网络训练.
通过单击训练网络火车.
准确率是网络正确预测的标签的百分比。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空间,请在培训选项卡上,单击出口.
对于深度学习的下一步,您可以尝试在其他任务中使用预先训练的网络。用迁移学习解决图像数据的新分类问题。例如,请参见开始迁移学习.要了解关于预训练网络的更多信息,请参见预训练深度神经网络.