开始使用深度网络设计器
这个例子展示了如何使用深度网络设计器调整一个预先训练的GoogLeNet网络来对一个新的图像集合进行分类。这个过程被称为迁移学习,通常比训练一个新网络要快得多,也容易得多,因为您可以使用较少的训练图像将学习到的特征应用到一个新任务中。使用深度网络设计器为交互迁移学习准备一个网络。
为培训提取数据
在工作空间中,解压缩数据。
解压缩(“MerchData.zip”);
选择预训练网络
打开深度网络设计器。
deepNetworkDesigner
通过从深度网络设计器开始页面中选择一个预先训练好的GoogLeNet网络来加载它。如果需要下载网络,请单击安装打开附加组件资源管理器。
深度网络设计器显示了整个网络的缩小视图。探索网络情节。要用鼠标放大,使用Ctrl+滚轮。
加载数据集
将数据加载到深度网络设计器中数据选项卡上,单击导入数据>导入图像数据.打开“导入映像数据”对话框。
在数据源列表中,选择文件夹.点击浏览并选择解压的MerchData文件夹。
对话框还允许您从应用程序内部分离验证数据。将数据分为70%的训练数据和30%的验证数据。
指定要对训练图像执行的增强操作。对于本例,在x轴上应用一个随机反射,从范围[-90,90]度随机旋转,从范围[1,2]随机缩放。
点击进口将数据导入深度网络设计器。
使用深度网络设计器,您可以直观地检查训练和验证数据在数据选项卡。您可以看到,在本例中,数据集中有五个类。您还可以查看每个类的随机观察结果。
深度网络设计器在训练过程中调整图像的大小以匹配网络输入大小。要查看网络输入大小,请在设计师选项卡上,单击imageInputLayer
.该网络的输入尺寸为224 * 224。
为迁移学习编辑网络
为了重新训练预训练的网络来分类新图像,用适应新数据集的新层替换最后的可学习层和最后的分类层。在GoogLeNet中,这些层有名称“loss3-classifier”
而且“输出”
,分别。
在设计师选项卡,拖动一个新的fullyConnectedLayer
从层的图书馆到画布上。集OutputSize
到新数据中的类数量,在本例中,5
.
编辑学习速率,使在新层中的学习速度比在迁移层中的学习速度更快。集WeightLearnRateFactor
而且BiasLearnRateFactor
来10
.删除最后一个完全连接的图层,连接你的新图层。
替换输出层。滚动到末尾层的图书馆然后拖动一个新的classificationLayer
到画布上。删除原来的输出
图层并连接你的新图层。
检查网络
通过单击检查您的网络分析.如果深度学习网络分析仪报告零错误,则该网络已准备好进行训练。
列车网络的
使用默认设置训练网络培训选项卡上,单击火车.
如果您想对训练进行更大的控制,请单击培训方案然后选择要训练的设置。默认的训练选项更适合于大型数据集。对于小数据集,使用较小的值作为小批大小和验证频率。有关选择培训选项的更多信息,请参见trainingOptions
.
对于本例,设置InitialLearnRate来0.0001
,ValidationFrequency来5
,MaxEpochs来8
.由于有55个观测值,设MiniBatchSize来11
将训练数据平均分配,确保在每个历元中使用整个训练集。
单击,使用指定的培训选项对网络进行培训关闭然后点击火车.
深度网络设计器允许您可视化和监视训练进度。然后,如果需要,您可以编辑培训选项并重新培训网络。
输出培训结果
导出培训的结果,对培训选项卡上,选择出口>导出培训网络和结果.Deep Network Designer将训练过的网络作为变量导出trainedNetwork_1
训练信息作为变量trainInfoStruct_1
.
您还可以生成MATLAB代码,它可以重新创建网络和所使用的训练选项。在培训选项卡上,选择出口>生成培训代码.
测试训练网络
使用训练过的网络选择一个新的图像进行分类。
我= imread (“MerchDataTest.jpg”);
调整测试图像的大小以匹配网络输入大小。
I = imresize(I, [224 224]);
利用训练好的网络对测试图像进行分类。
(YPred,聚合氯化铝)= (trainedNetwork_1, I)进行分类;imshow(I) label = YPred;标题(string(标签)+”、“+ num2str(100 *马克斯(聚合氯化铝),3)+“%”);
有关更多信息,包括其他预先训练的网络,请参见深层网络设计师.