提取数据

在工作区中，提取MathWorks merchant数据集。这是一个包含75张MathWorks商品图片的小数据集，属于五个不同的类(帽，多维数据集，打牌，螺丝刀,火炬）.

解压缩(“MerchData.zip”）;

负载Pretrained网络

打开深度网络设计器。

deepNetworkDesigner

选择SqueezeNet从预先训练的网络列表中，单击开放．

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。若要移动，请使用方向键，或按住滚轮并拖动鼠标。选择一个图层查看它的属性。中查看网络摘要属性窗格。

导入数据

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。

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。数据增强有助于防止网络过拟合和记忆训练图像的精确细节。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。

为迁移学习编辑网络

为了重新训练SqueezeNet对新图像进行分类，需要替换网络的最后一个二维卷积层和最后一个分类层。在SqueezeNet中，这些层有自己的名字“conv10”而且“ClassificationLayer_predictions”,分别。

在设计师窗格中，拖动一个新的convolution2dLayer到画布上。为了匹配原始卷积层，设置FilterSize来1, - 1．编辑NumFilters为新数据中的类数，在本例中，5．

更改学习速率，使学习在新层比在迁移层更快WeightLearnRateFactor而且BiasLearnRateFactor来10．

删除最后一个二维卷积层，并连接新层。

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。删除原来的输出层，并在原来的位置连接新层。

列车网络的

要选择培训选项，请选择培训选项卡并单击培训方案．将初始学习速率设置为较小的值，以降低迁移层的学习速度。在前面的步骤中，您增加了二维卷积层的学习率因子，以加快新的最终层的学习。这种学习率设置的组合导致只在新层中实现快速学习，而在其他层中实现较慢学习。

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。

导出结果并生成MATLAB代码

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．检查MATLAB代码，学习如何以编程方式准备训练数据，创建网络体系结构，并训练网络。

分类新形象

使用训练过的网络加载一个新图像进行分类。

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， [227 227]);

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)+“%”）;