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:

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．