类型alexnet在命令行。

alexnet

如果深度学习工具箱型号对于AlexNet网络万博1manbetx支持包没有安装，那么函数提供了附加在资源管理器链接到所需的支持包。要安装支持包，点击链接，然后点万博1manbetx击安装。通过键入检查安装是否成功alexnet在命令行。

alexnet

ans = SeriesNetwork with properties: Layers:[25×1 nnet.cn .layer. layer]

如果安装了所需的支持包，则该函数万博1manbetx返回SeriesNetwork宾语。

数据加载

解压缩并将新图像作为图像数据存储加载。imageDatastore标签自动根据文件夹名称和图像存储的数据作为ImageDatastore宾语。图像数据存储使您能够存储大量的图像数据，包括不适合在内存中，卷积神经网络的训练过程中有效地读取图像数据批次。

解压缩('MerchData.zip');IMDS = imageDatastore（'MerchData'，...“IncludeSubfolders”,真的,...“LabelSource”，“foldernames”);

将数据划分为培训和验证数据集。使用70%的图像用于培训，30%用于验证。splitEachLabel拆分图片将数据存储转换为两个新的数据存储。

[imdsTrain，imdsValidation] = splitEachLabel（IMDS，0.7％，“随机”);

这个非常小的数据集现在包含55个训练图像和20个验证图像。显示一些样本图像。

numTrainImages = numel（imdsTrain.Labels）;IDX = randperm（numTrainImages，16）;数字对于I = 1:16副区（4,4，i）的I = readimage（imdsTrain，IDX（I））;imshow（I）结束

加载预训练网络

加载预训练AlexNet神经网络。如果深度学习工具箱™模式对于AlexNet网络没有安装，那么该软件提供了下载链接。AlexNet训练上超过一个百万的图像，并可以将图像分为1000个对象的类别，如键盘，鼠标，笔，和许多动物。其结果是，该模型已经学会了丰富的功能表示为各种图像。

净= alexnet;

使用analyzeNetwork显示网络体系结构的交互式可视化和有关网络层的详细信息。

analyzeNetwork(净)

第一层是图像输入层，需要大小为227×227×3的输入图像，其中3是颜色通道的数量。

inputSize = net.Layers（1）.InputSize

inputSize =1×3227 227 3

取代最后一层

预训练网络的最后三层净被构造成用于1000级的类。这三层必须进行微调，新的分类问题。提取所有层，除了最后三个，从预训练网络。

layersTransfer = net.Layers (1: end-3);

通过与完全连接层，SOFTMAX层，和一个分类输出层将最后三个层转移层，以将新的分类任务。根据新的数据指定新的完全连接层的选项。设置完全连接层具有的尺寸的类新数据的数量相同。要了解在新的图层快于传输层，增加WeightLearnRateFactor和BiasLearnRateFactor在完全连接层的值。

numClasses =元素个数(类别(imdsTrain.Labels))

numClasses = 5

层= [layersTransfer fullyConnectedLayer（numClasses，'WeightLearnRateFactor',20岁,“BiasLearnRateFactor”，20）softmaxLayer classificationLayer];

列车网络

网络需要大小227逐227×3的输入图像，但在图像数据存储这些图像具有不同的大小。使用增强的图像数据存储到自动调整训练图像。指定附加增强操作，以在训练图像进行：随机地翻转训练图像沿着垂直轴，并随机起来水平地和垂直平移30个像素。数据增强有助于防止网络过度拟合和记忆训练图像的具体细节。

pixelRange = [- 3030];imageAugmenter = imageDataAugmenter (...'RandXReflection',真的,...'RandXTranslation'pixelRange,...'RandYTranslation'，pixelRange）;augimdsTrain = augmentedImageDatastore（inputSize（1：2），imdsTrain，...'DataAugmentation'，imageAugmenter）;

自动调整，而不执行进一步的数据扩充的验证图像，使用的增强图像数据存储区，而无需指定任何附加的预处理操作。

augimdsValidation = augmentedImageDatastore (inputSize (1:2), imdsValidation);

指定培训选项。对于转移学习，保留预先训练的网络的早期层的特征(转移的层权重)。为了在转换层中减慢学习速度，可以将初始学习速率设置为一个小的值。在前面的步骤中，您增加了全连接层的学习速率因子，以加速新最终层的学习。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。当进行迁移学习时，你不需要训练很多个时代。epoch是整个训练数据集的完整训练周期。指定小批量大小和验证数据。软件每隔一段时间验证一次网络ValidationFrequency培训期间迭代。

选择= trainingOptions ('SGDM'，...“MiniBatchSize”10...“MaxEpochs”，6，...'InitialLearnRate'1的军医,...“洗牌”，“every-epoch”，...“ValidationData”，augimdsValidation，...“ValidationFrequency”，3，...“放牧”假的,...“情节”，“训练进步”);

训练由传送层和新层组成的网络。默认情况下,trainNetwork使用GPU（如果可用）（需要并行计算工具箱™和启用CUDA®GPU计算能力3.0或更高版本）。否则，它使用一个CPU。您也可以通过指定执行环境“执行环境”的名-值对参数trainingOptions。

netTransfer = trainNetwork (augimdsTrain层,选项);

分类验证图片

使用微调网络对验证图像进行分类。

[YPred,分数]= (netTransfer augimdsValidation)进行分类;

显示与它们的预测的标签的四个采样的验证图像。

idx = randperm(元素个数(imdsValidation.Files), 4);数字对于I = 1：4副区（2,2，i）的I = readimage（imdsValidation，IDX（I））;imshow（I）标记= YPred（IDX（I））;标题（字符串（标签））;结束

计算验证集上的分类精度。精度是网络正确预测的标签的比例。

YValidation = imdsValidation.Labels;精度=平均值（YPred == YValidation）

精度= 1

有关提高分类精度的技巧，请参阅深度学习技巧和窍门。

数据加载

解压缩并将示例图像作为图像数据存储加载。imageDatastore标签自动根据文件夹名称和图像存储的数据作为ImageDatastore宾语。图像数据存储可以存储海量的图像数据，包括不适合在内存中的数据。拆分数据转换成70％的培训和30％的测试数据。

解压缩('MerchData.zip');IMDS = imageDatastore（'MerchData'，...“IncludeSubfolders”,真的,...“LabelSource”，“foldernames”);[imdsTrain，imdsTest] = splitEachLabel（IMDS，0.7％，“随机”);

现在在这个非常小的数据集中有55个训练图像和20个验证图像。显示一些样本图像。

numImagesTrain =元素个数(imdsTrain.Labels);idx = randperm (numImagesTrain 16);对于i = 1:16 i {i} = readimage(imdsTrain,idx(i));结束图imshow（imtile（I））

加载预训练网络

加载预训练AlexNet网络。如果深度学习工具箱型号对于AlexNet网络万博1manbetx支持包未安装，则软件提供下载链接。AlexNet对超过一百万张图像进行训练，可以将图像分成1000个对象类别。例如，键盘、鼠标、铅笔和许多动物。其结果是，该模型已经学会了丰富的功能表示为各种图像。

净= alexnet;

显示网络架构。该网络有5个卷积层和3个全连接层。

net.Layers

ans = 25x1层数组与层:227 x227x3数据的图像输入图像的zerocenter正常化2 conv1卷积96年11 x11x3旋转步[4 4]和填充[0 0 0 0]3‘relu1 ReLU ReLU 4 norm1的横通道正常化横通道正常化与5频道/元素5“pool1”马克斯池3 x3马克斯池步(2 - 2)和填充[0 0 0 0]6“conv2”分组卷积2组128 5 x5x48旋转步[1]和填充(2 2 2 2)7的relu2 ReLU ReLU 8 norm2交叉道标准化交叉道正常化与5频道/元素9“pool2”马克斯池3 x3马克斯池步[2 2]和填充[0 0 0 0]10 conv3卷积384 3 x3x256旋转步[1]和填充[1 1 1 1]11的relu3 ReLU ReLU 12“conv4”分组卷积2组192 3 x3x192旋转步[1]和填充[1 1 1 1]13的relu4 ReLU ReLU 14“conv5”分组卷积2组128 3 x3x192旋转步[1]和填充(1 1 1)15‘relu5 ReLU ReLU 16“pool5”马克斯池3 x3 Max池步(2 - 2)和填充[0 0 0 0]17 fc6完全连接4096完全连接层18“relu6”ReLU ReLU 19“drop6”辍学50%辍学20“fc7”完全连接4096完全连接层21 ' relu7 ReLU ReLU 22“drop7”辍学50%辍学23 fc8完全连接1000完全连接层24“概率”Softmax Softmax 25“输出”分类输出crossentropyex“鲤鱼”和999其他的类

第一层是图像输入层，需要大小为227×227×3的输入图像，其中3是颜色通道的数量。

inputSize = net.Layers（1）.InputSize

inputSize =1×3227 227 3

提取图像特征

网络构建的输入图像的分层表示。更深的层包含前面层的更高级别的功能，使用较低级的构造特征。要获得的培训和测试图像，使用该功能的表示激活在完全连接层上“fc7”。要获得较低层的图像表示，请使用网络中较早的层。

网络需要大小227逐227×3的输入图像，但在图像数据存储这些图像具有不同的大小。自动调整的训练和测试图像它们被输入到网络之前，创建增强图像数据存储中，指定期望的图像的尺寸，并使用这些数据存储作为输入参数激活。

augimdsTrain = augmentedImageDatastore (inputSize (1:2), imdsTrain);augimdsTest = augmentedImageDatastore (inputSize (1:2), imdsTest);层=“fc7”;featuresTrain =激活(净、augimdsTrain层,“OutputAs”，“行”);featuresTest =激活(净、augimdsTest层,“OutputAs”，“行”);

从提取的训练和测试数据的类标签。

YTrain = imdsTrain.Labels;YTest = imdsTest.Labels;

适合图像分类器

使用从所述训练图像作为预测变量使用提取的特征和适合多类别支持向量机（SVM）万博1manbetxfitcecoc（统计和机器学习工具箱）。

mdl = fitcecoc (featuresTrain YTrain);

测试图像进行分类

使用训练后的SVM模型对测试图像进行分类，并从测试图像中提取特征。

YPred =预测（MDL，featuresTest）;

显示与它们的预测的标签的四个采样的测试图像。

IDX = [1 5 10 15];数字对于i = 1:numel(idx) subplot(2,2,i) i = readimage(imdsTest,idx(i));标签= YPred (idx (i));imshow (I)标题(标签)结束

在测试集上计算分类精度。精度是网络正确预测的标签的比例。

精度=平均值（YPred == YTest）

精度= 1

该SVM具有较高的准确率。如果使用特征提取的准确率不够高，可以尝试转移学习。