La traducción de esta página aún no se ha actualizado a La versión más reciente。Haga clic aquí para ver la última versión en inglés。

Crear una red de clasificación de imágenes senilla

Abrir script en vivo

Este ejemplo muestra cómo crear y enrenar una red神经元卷积感知细胞para clasificación中间深度学习。在深度学习的基础上，我们的神经细胞，卷积神经细胞，和神经细胞，我们的神经细胞，我们的神经细胞，我们的神经细胞，我们的神经细胞，我们的神经细胞imágenes。

Este ejemplo muestra cómo hacer lo siguiente:

Cargar los datos de imagen。
红色建筑的定义。
特别的。
Entrenar拉红。
我的前辈，我的前辈，我的前辈，我的前辈，我的前辈。

Para ver un ejemplo de cómo crear y entrenar una red de clasificación de imágenes senilla de forma interactiva, consult使用深度网络设计器创建简单的图像分类网络．

Cargar拿督

有货的，有货的dígitos有货的，有货的almacén有货的imágenes。脂肪酸的imageDatastore礼仪automáticamente las imágenes en función de los nombres de地毯。

digitDatasetPath = fullfile (matlabroot,“工具箱”，“nnet”，“nndemos”，.．.“nndatasets”，“DigitDataset”）;imd = imageDatastore (digitDatasetPath,.．.“IncludeSubfolders”,真的,.．.“LabelSource”，“foldernames”）;

分开的，这些数据在一起，这些数据在一起，这些数据在一起，这些数据在一起，这些数据在一起validación，这些数据的形式categoría这些数据在一起，这些数据在一起750 imágenes，这些数据在validación这些数据在一起，这些数据在imágenes这些礼节。splitEachLabel将el almacén de datos de imágenes en DOS nuevos almacenes de datos para el entrrenamiento y la validación。

numTrainFiles = 750;[imdsTrain, imdsValidation] = splitEachLabel (imd, numTrainFiles“随机”）;

红色建筑的定义

网状结构的红色神经元丛。特别的el tamaño de las imágenes la la capa de entrada de la red y el número de clesen la capa all all conectada antes de la capa clasificación。Cada imagen contene 28 por 28 por 1 píxeles, y有10类。

inputSize = [28 28 1];numClasses = 10;layers = [imageInputLayer(inputSize) convolution2dLayer(5,20) batchNormalizationLayer reluLayer fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];

Para obtener más información深度学习的知识，顾问深度学习层列表．

Entrenar拉红

特别的，所有的，所有的红色。

德福马predeterminada,trainNetworkusa una GPU en caso de que esté无可挑剔。相反，美国中央情报局。GPU需要并行计算工具箱™不配置GPU兼容。Para obtener información清醒的，性情温和的，顾问GPU计算的需求(并行计算工具箱)．También特别的国家，我们的国家ejecución我们的国家，我们的国家“ExecutionEnvironment”德trainingOptions．

选择= trainingOptions (“个”，.．.“MaxEpochs”4.．.“ValidationData”imdsValidation,.．.“ValidationFrequency”30岁的.．.“详细”假的,.．.“阴谋”，“训练进步”）;网= trainNetwork (imdsTrain层,选项);

图Training Progress(1月18日-2022年16:23:08)包含2个axis对象和另一个类型为uigridlayout的对象。Axes对象1包含11个类型为patch、text、line的对象。Axes对象2包含11个类型为patch、text、line的对象。

Para obtener más información清醒的人参数设置与卷积神经网络训练．

Probar拉红

分类数据validación y calcalla precisión de la clasificación。

YPred =分类(净,imdsValidation);YValidation = imdsValidation.Labels;精度=平均值(YPred == YValidation)

精度= 0.9892

在深度学习的知识之路上，podrá probar a usar la red preentrenada para otras tareas。重新解决新问题clasificación关于如何处理关于转移的问题extracción de características。Para ver ejemploys, consult使用迁移学习快速启动深度学习y使用从预训练网络中提取的特征的训练分类器．Para obtener más información sobre las redes preentrenadas，领事预训练深度神经网络．

Consulte也

trainNetwork|trainingOptions