提取数据

在工作空间中，提取MathWorks Merch数据集。这是一个包含75张MathWorks商品图像的小数据集，属于五个不同的类(帽，多维数据集，打牌，螺丝刀,火炬)．

解压缩(“MerchData.zip”）；

负载Pretrained网络

开放深度网络设计器。

deepNetworkDesigner

选择SqueezeNet从预先训练的网络列表中单击开放．

深度网络设计器显示整个网络的缩小视图。

探索网络情节。要用鼠标放大，请使用Ctrl+滚轮。要平移，请使用方向键，或按住滚轮并拖动鼠标。选择一个图层查看它的属性。取消选择所有层，查看网络摘要属性窗格。

导入数据

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

在数据源列表中,选择文件夹．点击浏览并选择提取的MerchData文件夹。

将数据分成70%的训练数据和30%的验证数据。

指定要在训练图像上执行的增强操作。数据增强有助于防止网络过度拟合和记忆训练图像的确切细节。对于本例，在x轴上应用随机反射，从[-90,90]度范围随机旋转，从[1,2]范围随机缩放。

点击进口将数据导入深度网络设计器。

编辑迁移学习网络

为了重新训练SqueezeNet对新图像进行分类，将最后一个二维卷积层替换为网络的最终分类层。在SqueezeNet中，这些图层都有名称“conv10”和“ClassificationLayer_predictions”,分别。

在设计师窗格，拖动一个新的convolution2dLayer到画布上。为了匹配原始卷积层，设置FilterSize来1，1．编辑NumFilters为新数据中的类数，在本例中，5．

通过设置改变学习速率，使新层的学习速度比转移层的学习速度快WeightLearnRateFactor和BiasLearnRateFactor来10．

删除最后一个2d卷积层，并连接你的新层代替。

替换输出层。滚动到末尾层的图书馆然后拖动一个新的classificationLayer到画布上。删除原来的输出层，并在其位置连接你的新层。

列车网络的

要选择培训选项，请选择培训选项卡并单击培训方案．将初始学习率设置为较小的值，以降低传输层的学习速度。在前面的步骤中，您增加了2d卷积层的学习率因子，以加速新的最终层中的学习。这种学习率设置的组合只会导致在新层中学习快，而在其他层中学习慢。

对于本例，setInitialLearnRate来0.0001，ValidationFrequency来5，MaxEpochs来8．因为有55个观察结果，设定MiniBatchSize来11均匀划分训练数据，保证每个epoch使用整个训练集。

要使用指定的培训选项对网络进行培训，请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。如果需要，您可以编辑培训选项并对网络进行再培训。

导出结果并生成MATLAB代码

要从培训中导出结果，就上培训选项卡上,选择出口>输出训练有素的网络和结果．深度网络设计器输出训练有素的网络作为变量trainedNetwork_1训练信息作为变量trainInfoStruct_1．

您还可以生成MATLAB代码，它可以重新创建网络和使用的培训选项。在培训选项卡上,选择出口>生成培训代码．检查MATLAB代码，学习如何以编程方式准备训练数据，创建网络架构，并训练网络。

分类新形象

加载一个新的图像，使用训练的网络进行分类。

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]);

使用训练好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)+“%”）；