Crear una red de clasificación de imágenes senilla
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,trainNetwork
usa 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);
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.