深度学习

图像识别代码

学习如何加载和预处理数据，导入网络，传输学习，以及用图像测试深度学习的网络。

要跟随：

  1. 下载代码
  2. 打开MATLAB

没有访问?现在就获得免费试用．

时间来完成:
15 - 30分钟
先决条件:
MATLAB的基本技能

需要复习吗?尝试一个免费的交互式教程。

步骤1

加载和预处理数据

用图像导入、管理和存储深度学习项目的数据。

你学到了什么:导入和准备培训数据

  • 将数据加载为映像数据存储
  • 的imageDatastore函数根据文件夹名称自动标记图像
  • 预处理数据是深度学习工作流中常见的第一步，以网络可以接受的格式准备原始数据

步骤2

进口网络

确保导入的网络和图像数据的大小是正确的，以产生高度准确的模型。

你学到了什么:在再培训之前使用网络进行模型预测

  • 从TensorFlow- keras、TensorFlow 2、Caffe和ONNX(开放神经网络交换)模型格式导入网络和网络架构
  • 导出经过训练的深度学习工具箱网络到ONNX模型格式

步骤3

转移学习

修改现有的网络以处理您的数据，这样您就可以定制深度学习来执行您的特定任务。

你学到了什么:为新任务准备模型

  • 将预先训练过的网络的习得特征转移到一个新问题上
  • 迁移学习比训练一个新网络更快更容易
  • 减少训练时间和数据集大小
  • 执行深度学习，而不需要学习如何创建一个全新的网络

步骤4

测试网络

验证模型如何处理新数据，而不仅仅是它在训练期间学到的数据。

你学到了什么:测试验证集中的所有图像，并评估网络训练的好坏

  • 对验证数据进行分类，计算分类精度
  • 尝试使用预先训练的网络完成其他任务
  • 用迁移学习或特征提取解决图像数据的新分类问题
Baidu
map