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．