额外的输出数据

En el espacio de trabajo, extra - iga el conjunto de datos MathWorks Merch。Se trata de un conjunto de datos pequeño que continuene 75 imágenes de artículos promocionales de MathWorks que pertenecen a cinco classes distas (gorra，三次，简要，destornilladorylinterna)．

解压缩(“MerchData.zip”）;

选择una红，preentrenada

Para abrir深度网络设计师，en la pestaña应用程序,机器学习和深度学习， haga clic en el icono de la app. Como alternative, puede abrir la app desde la línea comandos:

deepNetworkDesigner

深度网络设计师比例selección de redes de clasificación de imágenes que han aprendido representaciones ricas en características adecuadas para una amplia gama de imágenes。La transferencia del prendizaje funcionmejor si las imágenes son similares a las imágenes utilizadas originalmente para entrenar La red。Si sus imágenes de entrenamiento son imágenes naturales como la la base de datos ImageNet, cualquiera de las redes entrenadas es adecuada。Para obtener una lista disponbles和aprender a compararlas, consulte前突深神经红．

Si sus datos son muy dient a los datos de ImageNet (por ejemplo, Si tiene imágenes miniutas, espectrogramas o datos que no sean imágenes) será mejor entrenar una nueva red。Para ver un ejemplo de cómo enrenar una dedesde cero, consulte使用深度网络设计器创建简单的序列分类网络y在深度网络设计器中训练简单的语义分割网络．

我没有任何需要你的地方。在我们眼前的世界里，在我们眼前的世界里，在我们的世界里opción安装．

SeleccioneSqueezeNet一份清单，一份清单，一份清单，一份清单，一份清单，一份清单，一份清单开放．

探索una红

深度网络设计师必须要有一个完整的红色面板设计师．

探索la gráfica de red。Para ampliarla con el ratón，使用Ctrl+ la rueda de desplazamiento。Para desplazarse, utilice las teclas de flecha o mantenga pulse la rueda de desplazamian和arrastre ratón。选择你我之间的和解。相当la selección de todas las capas para ver el resumen de la red en el panel属性．

Importar拿督

Para cargar los datos en Deep Network Designer, vaya a la pestaña数据Y haga clic en导入数据>导入镜像数据．Se abrirá el cuadro de diálogo导入图像数据。

En la lista数据源, seleccione文件夹．Haga clic浏览y seleccione la carpet merchant data que ha extraído。

奥门托imágenes

这是我们的天堂imágenes我们的天堂。La app深度网络设计师比例:

那增加的，有效的，形式的，悬臂的，数据的，权利的，适用的，自由的，数据的。El aumento también permite entrrenar redes para que permanezcan invariables las扭曲的数据imágenes。Por ejemplo, puede añadir随机轮状体para introduction imágenes de manera que una permanezca不变的ante la presencia de rotación en las imágenes de entrada。

Para este ejemplo, applique una reflexión aleatoria en el eje x, una rotación aleatoria a partir del intervalo [-90,90] grados, y unescalado aleatoro a partir del intervalo[1,2]。

Datos de validación

También有选择地的资料validación dividiéndolos有选择地的资料validación有选择地retención，有选择地的资料importándolos有选择地的资料。La validación计算，计算，计算，计算，计算，计算，计算，计算，计算，计算，计算，计算，计算，计算，计算，计算，计算，计算，计算，计算，计算，计算，计算，计算。

En este ejemplo, utilization el 30% de las imágenes para la validación。

Haga clic进口para important los datos en Deep Network Designer。

Visualizar拿督

深度网络设计师permite realizar una inspección视觉德拉distribución de los datos de entrenamiento y los datos de validación en la pestaña数据．我们都在一起，我们都在一起，我们都在一起。También自由观察的起源。

准备好红色的誓约

编辑拉红面板设计师特别是联合国número资料上的新分类。Para prepare la red Para la transferencia del aprendizaje, sustituya la última capa de aprendizaje y la última capa de clasificación。

remplazla última capa de aprendizaje

Para usar una red preentrenada Para la transferencia del aprendizaje, debe修改el número形式上的巧合与新数据的结合。En primer lugar, encentre la última capa de aprendizaje de la red。En SqueezeNet, la última capa de aprendizaje es la última capa convolucional (“conv10”)．在case este caso, sustitúyala por the nueva capa convolucional con un número de filtros igual al número de classes。

一个新事物convolution2dLayerlienzo。巧合与纠错原，建立FilterSize在1, - 1．

La propiedadNumFilters定义el número de clasases para los problems de clasificación。CambieNumFiltersPor el número新数据类(5En este ejemplo)。

更正，我们的想法，我们的想法，我们的想法más rápido我们的想法，我们的想法，我们的价值观WeightLearnRateFactoryBiasLearnRateFactor在10．

Elimine la última capa convolucional 2D y concrete en su lugar la nueva capa。

Remplazar la capa de salida

在转让权的问题上，在重新安置劳工之家的问题上。Desplácese最后的图书馆层的图书馆你是新来的classificationLayerlienzo。消除la capa de clasificación原创y混凝土la capa nueva en su lugar。

在新生命之门，没有必要建立OutputSize．刻骨铭心的时刻，深度网络设计师建立形式上的automática作为一个类别的工作，一个一方的数据。

红色准将

Para compprobar que la red está准备Para el entrenamiento, haga clic en分析．Si el analizador深度学习网络分析仪no detecta ningún错误，la red editada está prepareada para el entrenamiento。

Entrenar la red

En Deep Network Designer puede entrenar redes importadas o creadas En la app。

Para entrenar la red con la configuración预先确定，vaya a la pestaña培训Y haga clic en火车．有关既定结果的结论más有关既定结果的结论tamaño。与数据相连的地方pequeños，与数据相连的地方tamaño与数据相连的地方validación。

我的上帝，我的上帝，我的上帝，我的上帝培训方案Y seleccione la configuración de entrenamiento。

我爱你，我爱你InitialLearnRate在0.0001，ValidationFrequency在5yMaxEpochs在8．Dado que hay 55 observaciones, establishedMiniBatchSize在11关于统一形式的统一数据的分区asegúrese关于统一形式的统一形式的统一方法épocas。Para obtener más información清醒cómo为你服务的人，顾问trainingOptions．

红之心，红之心，红之心，红之心，红之心，红之心关闭吕戈恩火车．

深度网络设计者，可视化监控进程。Después，我们的编辑，我们的行动，我们的行动，我们的行动。

Para guardar la gráfica与意象相连的心灵，地狱般的世界出口培训地块．

导出结果一般código de MATLAB

Para export la arquitectura de red con los pesos entrenados, vaya a la pestaña培训y seleccione出口>输出训练过的网络和结果．深度网络设计输出一个红色的entrenada como la变量trainedNetwork_1Y la información与变量的联系trainInfoStruct_1．

trainInfoStruct_1

trainInfoStruct_1 =带字段的结构:TrainingLoss:[3.1028 3.7235 3.5007 1.2493 1.5267 1.4770 1.2506 1.5767 1.0273 1.1279 0.6417 0.7218 0.7767 0.4651 0.7253 0.5403 0.5126 0.3012 0.6455 0.3397 0.604 0.3298 0.1844 0.2311 0.1427 0.1427 45.4545 36.3636 36.3636 36.3636 63.6364 36.3636 63.6364 81.8182 81.8182 72.7273 90.9091 81.8182 100 100 81.8182 100 100 100 100 100…]ValidationLoss:[3.4224 0.8457 1.6053南南南南南南南南南南南南南南南南南南南0.4317 0.4648 0.3389 0.4322 0.3652南南南南南南南南南南南南0.4720]ValidationAccuracy:[70 30南南南南南南南南南南南南南南南85 80年85年85年南南南南南南南南南南南南南南南南85 90]BaseLearnRate:[1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 e-04 e-04 e-04 e-04 e-04 e-04 e-04 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 e-04 e-04 e-04 e-04 e-04 e-04 e-04 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 e-04 e-04 e-04 e-04 e-04 e-04…]FinalValidationLoss: 0.4720 FinalValidationAccuracy: 90 OutputNetworkIteration: 40

También puede generar código de MATLAB, que rela la red and las opciones de entrenamiento utizadas。Vaya a la pestaña培训y seleccione出口>生成培训代码．检查el código de MATLAB para aprender a preparear los datos de forma programática para el entrenamiento, a crear la arquitectura de red y a entrenar la red。

分类una imagen nueva

有一个新意象的货物，在分类上，在红色的中间。

I = imread(“MerchDataTest.jpg”）;

深度网络设计师cambia el tamaño de las imágenes durante el entrenamiento de forma que巧合con el tamaño de entrada de la red。Para ver el tamaño de entrada de la red, vaya al panel设计师y seleccioneimageInputLayer(霹雳马卡帕)。El tamaño de entrada de la red es de 227 por 227。

Cambie el tamaño de la imagen de prueba de forma que contra con tamaño de entrada de la red。

I = imresize(I， [227 227]);

分类的形象，在prueba和la红entrenada。

[YPred,probs] = category (trainedNetwork_1,I);imshow(I) label = YPred;标题(string(标签)+”、“+ num2str(100*max(probs)，3) +“%”）;