使用深度网络设计器创建简单的图像分类网络
这个例子展示了如何使用deep network Designer创建和训练一个简单的用于深度学习分类的卷积神经网络。卷积神经网络是深度学习的基本工具,尤其适用于图像识别。
在这个例子中,你:
导入图像数据。
定义网络架构。
指定培训选项。
培训网络。
加载数据
将数字样本数据加载为图像数据存储。的imageDatastore
函数根据文件夹名称自动标记图像。数据集有10个类,数据集中的每张图像都是28 × 28 × 1像素。
digitDatasetPath = fullfile(matlabroot,“工具箱”,“nnet”,“nndemos”,...“nndatasets”,“DigitDataset”);imds = imageDatastore(digitDatasetPath,...“IncludeSubfolders”,真的,...“LabelSource”,“foldernames”);
打开深度网络设计器。创建一个网络,导入和可视化数据,并使用深度网络设计器训练网络。
deepNetworkDesigner
要创建空白网络,请暂停空白的网络并点击新.
要导入映像数据存储,请选择数据选择并单击导入数据>导入镜像数据.选择洛桑国际管理发展学院
作为数据源。留出30%的训练数据作为验证数据。通过选择将观察值随机分配到训练集和验证集随机化.
通过单击导入数据进口.
定义网络架构
在设计师窗格,定义卷积神经网络架构。从层的图书馆把它们连接起来。要快速搜索图层,请使用过滤层中的搜索框。层的图书馆窗格。要编辑一个层的属性,单击该层并编辑属性窗格。
按以下顺序连接层:
imageInputLayer
与InputSize
属性设置为28日,28岁,1
convolution2dLayer
batchNormalizationLayer
reluLayer
fullyConnectedLayer
与OutputSize
属性设置为10
softmaxLayer
classificationLayer
有关深度学习层的更多信息,请参见深度学习层列表.
列车网络的
指定训练选项并训练网络。
在培训选项卡上,单击培训方案.对于本例,将最大epoch数设置为5,并保持其他默认设置。单击,设置培训选项关闭.有关培训选项的更多信息,请参见参数设置与卷积神经网络训练.
通过点击训练网络火车.
准确率是网络正确预测的标签的比例。在这种情况下,超过97%的预测标签与验证集的真实标签匹配。
要将训练过的网络导出到工作区,请在培训选项卡上,单击出口.
对于深度学习的下一步,你可以尝试使用预先训练好的网络来完成其他任务。用迁移学习解决图像数据上的新分类问题。例如,请参见开始迁移学习.要了解关于预训练网络的更多信息,请参见预训练的深度神经网络.