加载数据

加载数字样本数据作为图像数据存储。的ImageageAtastore.函数根据文件夹名称自动标记图像。该数据集有10个类，数据集中的每个图像都是28 × 28 × 1像素。

digitDatasetPath = fullfile (matlabroot,'工具箱'，“nnet”，“nndemos”，.．.“nndatasets”，“DigitDataset”）;imds = imagedataStore（DigitDatasetPath，.．.'upplyubfolders',真的,.．.'labelsource'，“foldernames”）;

开放深度网络设计器。创建网络，导入和可视化数据，并使用深度网络设计器培训网络。

deepNetworkDesigner

要创建一个空白网络，请暂停空白网络并点击新．

要导入图像数据存储，请选择数据选项卡并单击导入数据>导入图像数据．选择洛桑国际管理发展学院作为数据源。留出30%的培训数据作为验证数据。通过选择随机分配观察到训练和验证集随机化．

通过单击导入数据进口．

定义网络体系结构

在里面设计师窗格，定义卷积神经网络架构。拖动图层层的图书馆并连接它们。快速搜索图层，使用过滤层的搜索框层的图书馆窗格。要编辑一个图层的属性，请单击该图层并编辑属性窗格。

按以下顺序连接图层:

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

指定培训选项并对网络进行培训。

在培训选项卡上,单击培训方案．对于本例，将最大纪元数设置为5，其他保持默认设置。通过单击设置培训选项关闭．有关培训选项的更多信息，请参阅卷积神经网络参数的建立与训练．

通过点击训练网络火车．

准确率是网络正确预测标签的比例。在本例中，超过97%的预测标签与验证集的真实标签匹配。

将训练过的网络导出到工作区，在培训选项卡上,单击出口．

对于深度学习的下一步，你可以尝试在其他任务中使用预先训练过的网络。用迁移学习解决图像数据的新分类问题。例如,请参见开始迁移学习．要了解更多关于预训练网络的信息，请看普里尔的深层神经网络．