此示例显示如何使用深网络设计器来调整佩带的Googlenet网络以对新的图像集进行分类。此过程称为传输学习,通常比培训新网络更快,更容易,因为您可以使用较少数量的培训图像将学习功能应用于新任务。为了交互式地为传输学习进行准备,使用深网络设计师。
在工作区中,解压缩数据。
解压缩('merchdata.zip');
打开深度网络设计师。
DeepNetWorkDesigner.
通过从深网络设计器开始页面选择它来加载预制的Googlenet网络。如果您需要下载网络,请单击安装打开附加资源管理器。
深度网络设计器显示整个网络的缩小视图。探索网络绘图。用鼠标放大,使用Ctrl.+滚轮。
将数据加载到深网络设计师身上数据选项卡,单击导入数据>导入图像数据。将打开“导入图像数据”对话框。
在里面数据源列表,选择文件夹。点击浏览并选择提取的Merchdata文件夹。
该对话框还允许您从应用程序中拆分验证数据。将数据划分为70%的培训数据和30%的验证数据。
指定增强操作以在培训图像上执行。对于该示例,在X轴上应用随机反射,从范围[-90,90]度的随机旋转,以及从范围[1,2]的随机重新扫描。
点击进口将数据导入深网络设计器。
使用深度网络设计师,您可以直观地检查培训和验证数据的分发数据标签。您可以看到,在此示例中,数据集中有五个类。您还可以查看每个类的随机观察。
深度网络设计师在训练期间调整图像的大小以匹配网络输入大小。要查看网络输入大小,请在设计师标签,单击imageInputlayer.
。该网络的输入大小为224-by-224。
要重新寄出预制网络以对新图像进行分类,请将最后的学习层和最终分类层替换为适合于新数据集的新图层。在googlenet中,这些层有名称'loss3-classifier'
和'输出'
, 分别。
在里面设计师标签,拖动一个新的全康统计层
来自图书馆库到画布上。放输出
在新数据中的类数,在此示例中,5.
。
编辑学习率,以便在新图层中更快地学习而不是传输的图层。放举重
和Biaslearnratefactor.
至10.
。删除最后一个完全连接的图层并连接新图层。
替换输出层。滚动到结尾图书馆库并拖动一个新的分类层
到画布上。删除原件输出
层并连接新图层。
点击检查您的网络分析。如果深度学习网络分析仪报告零错误,网络就准备好进行培训。
使用默认设置训练网络训练选项卡,单击火车。
如果您想要更好地控制培训,请单击培训选择并选择要培训的设置。默认培训选项更适合大型数据集。对于小数据集,请使用较小的百分比值和验证频率。有关选择培训选项的详细信息,请参阅培训选项
。
对于此示例,设置initiallearnrate.至0.0001.
那验证频繁至5.
, 和Maxepochs.至8.
。因为有55个观察,设定小匹匹匹匹配至11.
要均匀地划分培训数据并确保在每个时代期间使用整个训练集。
要使用指定的培训选项培训网络,请单击关闭然后点击火车。
深度网络设计师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。
从培训导出结果,在训练选项卡,选择出口>出口培训的网络和结果。深网络设计器将培训的网络导出为变量训练网络_1.
以及培训信息作为变量TrainInfostruct_1.
。
您还可以生成MATLAB代码,该代码重新创建网络和使用的培训选项。在这一点训练选项卡,选择出口>生成培训代码。
选择新图像以使用培训的网络对。
我= imread(“merchdattest.jpg”);
调整测试图像的大小以匹配网络输入大小。
i = Imresize(I,[224 224]);
使用培训的网络对测试图像进行分类。
[ypred,probs] =分类(troutahynetwork_1,i);imshow(i)标签= ypred;标题(字符串(标签)+“,”+ NUM2STR(100 * MAX(Probs),3)+“%”);
有关更多信息,请参阅其他掠夺网络,参见深网络设计师。