在codant侦察图像的学徒

• 导入数据并确保它可以使用。
• 在训练一个模型时，你想把你的数据分成“训练”来训练模型和“测试数据”来测试模型在新数据上的工作。我们将在后面的步骤中使用它。
• 您还可以可视化集合中的随机图像，这样您就可以了解数据的样子。

需要记住的关键事项:

• 在深度学习中，你可能要处理大量的数据，所以对数据进行适当的管理是很重要的。
• 为了便于演示，本例中的数据集故意很小。
• 在这一步中要记住的最重要的事情是imageDatastore，这将是你在这些任务中数据的家，以及你未来用图像做的任何深度学习项目。

• 导入模型并确保数据已为您的深度学习模型准备好。这里我们使用的是一种流行的googlenet模型。

• 对于预处理，您可以选择以多种方式更改图像。例如，我们需要确保图像的大小符合深度学习模型的预期。

• 最后，您可以尝试一个示例图像，看看模型预测的图像是什么。这显然是错误的预测，因为我们的模型还没有经过训练来识别这种类型的数据——我们将在下一个任务中解决这一问题。

需要记住的关键事项:

• 如果没有正确格式化的数据，您的模型将无法正常工作。
• 干净的数据对于高度精确的模型至关重要。
• 确保你的数据大小合适，否则你的模型就会出错。

• 为了让模型为新任务做好准备，您需要用一个新的全连接层替换最后的全连接层，并使用您所拥有的类别数量(在我们的示例中为4)。

• 您还需要替换最后的分类层来为您的任务重置它。

• 现在你可以开始训练了。要运行此代码，请确保已经运行了任务1和任务2，然后单击“运行部分”。

需要记住的关键事项:

• 修改模型以使用特定的数据非常重要，因此您可以自定义深度学习来执行特定的任务。
• 深度学习可能需要很长时间来训练，特别是在大数据集的情况下。对于本例，我们使用的是非常小的数据，因此应该只需要1分钟或2分钟就可以运行，并且不需要特殊的硬件来运行。
• 有一个应用程序可以让迁移学习变得简单。更多信息请查看深度网络设计器。

• 在最后一个任务中，您希望验证模型能够处理以前从未见过的新数据

• 您可以运行分类命令来测试测试集中的所有图像，并显示测试集中的精度—在本例中为90。

需要记住的关键事项:

• 重要的是要验证模型在未来数据上的工作，而不是在训练期间学习到的深度学习数据，以确保你有一个灵活的模型，可以在新的情况下工作。