提取训练数据

在工作区中，解压缩数据。

解压('MerchData.zip');

选择预训练网络

打开深度网络设计器。

深度网络设计师

从Deep network Designer起始页选择一个预先训练好的GoogLeNet网络来加载它。如果需要下载网络，请单击安装在资源管理器上添加链接。

Deep Network Designer显示整个网络的放大视图。探索网络情节。要使用鼠标放大，请使用Ctrl键+滚轮。

加载数据集

要将数据加载到Deep Network Designer，请在数据选项卡，单击导入数据.将打开导入数据对话框。

在里面数据源列表，选择夹. 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内分裂验证数据。将数据分成70％的训练数据，30％的验证数据。

指定要对训练图像执行的增强操作。对于本例，在x轴上应用随机反射、从范围[-90,90]度的随机旋转和从范围[1,2]的随机重缩放。

点击进口以将数据导入到深层网络设计者。

Deep Network Designer在训练期间调整图像大小以匹配网络输入大小。要查看网络输入大小，请在设计师窗格中，单击图像输入层. 此网络的输入大小为224 x 224。

为转移学习编辑网络

使用Deep Network Designer，您可以在数据窗格。你可以看到，在这个例子中，在数据集五类。

为了重新训练一个预先训练好的网络来对新的图像进行分类，用适应新数据集的新层替换最后的层。

在里面设计师窗格中，将一个新的完全连接层来自图层库在画布上。套输出大小对于新数据中的类数，在本例中，5个.

编辑学习速率以在新层中比在传输层中更快地学习。套加权平均系数和比亚斯学习率因子到10。删除最后一个完全连接的层并连接新层。

更换输出层。滚动到年底图层库并拖动一个新的分类层在画布上。删除原件输出层和连接新层代替。

检查网络

为了确保您编辑的网络是准备训练，点击分析，并确保深学习网络分析报告零次失误。

列车网络

要使用默认设置训练网络，请在培训选项卡，单击火车.

如果您想更好地控制培训，请单击培训选项然后选择要训练的设置。默认的训练选项更适合于大型数据集。对于小数据集，使用较小的值MiniBatchSize和验证频率.有关选择培训选项的详细信息，请参阅trainingOptions.

在本例中，setInitialLearnRate到0.0001,验证频率到5个和MaxEpochs到8个。由于有55层的意见，集MiniBatchSize以11均匀地分割训练数据和保证整个数据集的每个历元期间使用。

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.

Deep Network Designer允许您可视化和监视培训进度。如果需要，您可以编辑培训选项并重新培训网络。

输出培训结果

要导出培训结果，请在培训选项卡，选择导出>导出训练的网络和结果. Deep Network Designer将经过训练的网络导出为变量trainedNetwork_1以训练信息为变量trainInfoStruct_1.

您还可以生成MATLAB代码，该代码将重新创建网络和使用的训练选项。上培训选项卡，选择导出>生成训练代码.

测试训练后的网络

选择一个新的图像利用训练好的网络进行分类。

I=读("merchdata测试.jpg");

调整测试图像以匹配网络的输入大小。

I = imresize（I，[224 224]）;

利用训练好的网络对测试图像进行分类。

[YPred，probs]=分类（trainedNetwork_1，I）；imshow（I）label=YPred；title（string（label）+“”+ num2str（100 *最大（probs），3）+"%");

有关更多信息，包括有关其他预训练网络的信息，请参见深层网络设计师.