提取数据

在工作区中，提取MathWorks合并数据集。这是一个小数据集，包含MathWorks商品的75个图像，属于5个不同的类(帽,多维数据集,打牌,螺丝刀,火炬)。

解压缩(“MerchData.zip”);

负载Pretrained网络

开深网设计师。

deepNetworkDesigner

选择SqueezeNet从列表中预先训练的网络和点击开放.

深度网络设计器显示整个网络的缩小视图。

探索网络情节。要使用鼠标放大Ctrl+滚轮。要平移，可以使用箭头键，或者按住滚轮并拖动鼠标。选择一个层来查看它的属性。取消选中所有层以查看“。”中的网络摘要属性窗格。

导入数据

将数据加载到深度网络设计器中数据选项卡上,单击导入数据.“导入数据”对话框打开。

在数据源列表中,选择文件夹.点击浏览并选择已提取的商业数据文件夹。

将数据分为70%的培训数据和30%的验证数据。

指定要在训练图像上执行的增强操作。数据扩充有助于防止网络过度拟合和记忆训练图像的准确细节。对于本例，在x轴上应用随机反射，从范围[-90,90]角度随机旋转，从范围[1,2]随机重新缩放。

点击进口将数据导入深度网络设计器。

编辑网络转移学习

为了重新训练SqueezeNet对新图像进行分类，需要替换掉网络的最后一个二维卷积层和最后一个分类层。在SqueezeNet中，这些层有名称“conv10”和“ClassificationLayer_predictions”,分别。

在设计师窗格，拖动一个新的convolutional2dLayer到画布上。为了匹配原始的卷积层，设置FilterSize来1,- 1.编辑NumFilters表示新数据中的类数，在本例中，5.

通过设置set，改变学习速率，使新层的学习速度快于转移层的学习速度WeightLearnRateFactor和BiasLearnRateFactor到10。

删除最后一个2d卷积层，然后连接新层。

替换输出层。滚动到的结尾层的图书馆拖拽一个新的classificationLayer到画布上。删除原来的输出层，然后在原来的地方连接新层。

列车网络的

若要选择培训选项，请选择培训选项卡并单击培训方案.集InitialLearnRate到一个小的值，以减缓学习的层次转移。在前面的步骤中，您增加了2-D卷积层的学习速率因子，以加快在新最终层中的学习。这种学习速率设置的组合只在新层中产生快速学习，而在其他层中产生较慢的学习。

对于本例，setInitialLearnRate来0.0001,ValidationFrequency来5,MaxEpochs来8.由于有55个观测值，集合MiniBatchSize将训练数据平均分配，确保每个epoch使用整个数据集。

要使用指定的训练选项来训练网络，单击关闭然后点击火车.

深度网络设计器允许您可视化和监控培训进度。然后，如果需要，您可以编辑培训选项并重新培训网络。

导出结果并生成MATLAB代码

输出培训的结果，就可以了培训选项卡上,选择输出>输出训练网络和结果.深度网络设计者将训练好的网络作为变量导出trainedNetwork_1并将训练信息作为变量trainInfoStruct_1.

您还可以生成MATLAB代码，它将重新创建所使用的网络和培训选项。在培训选项卡上,选择导出>生成培训代码.研究MATLAB代码，了解如何以编程方式准备培训数据、创建网络体系结构和培训网络。

分类新形象

利用训练后的网络加载新图像进行分类。

我= imread (“MerchDataTest.jpg”);

调整测试图像的大小以匹配网络输入的大小。

I = imresize(I， [227 227]);

利用训练后的网络对测试图像进行分类。

(YPred,聚合氯化铝)= (trainedNetwork_1, I)进行分类;imshow(I) label = YPred;标题(string(标签)+", "+ num2str(100 *马克斯(聚合氯化铝),3)+“%”);