文章目录
一、提取要训练的数据
unzip('MerchData.zip');
二、选择预训练网络
打开深度网络设计器
deepNetworkDesigner
演示：
通过从深度网络设计器首页中选择一个预训练的 GoogLeNet 网络来加载它。如果您需要下载网络，可点击安装，打开附加功能资源管理器。
等待…
深度网络设计器将显示整个网络的缩小视图。浏览网络图。要使用鼠标放大，请使用 Ctrl + 滚轮。
三、加载数据集
要将数据加载到深度网络设计器中，请在数据选项卡上，点击导入数据 > 导入图像数据。将打开“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。
该对话框还允许您从 App 中拆分验证数据。将数据分为 70% 用作训练数据，30% 用作验证数据。
指定要对训练图像执行的增强操作。对于此示例，在 x 轴上进行随机翻转，在 [-90,90] 度范围内进行随机旋转，在 [1,2] 范围内进行随机重新缩放。
然后如下：使用深度网络设计器，您可以在数据选项卡中直观地查看训练和验证数据的分布情况。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测值。
深度网络设计器会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，请在设计器选项卡中，点击 imageInputLayer拖动到中奖。此网络的输入大小为 224×224。
记得ctrl+滚轮，不断放大，不让你看不清，放大后才能看清楚：
四、编辑迁移学习网络
在设计器选项卡中，将新的 fullyConnectedLayer 从网络层库拖到画布上。将 OutputSize 设置为新数据中的类数。然后删除原来的这个全连接层，用剪切。（在最底部）
再重新连接即可：
设置参数：
替换输出层。滚动到网络层库的末尾，将一个新的 classificationLayer 拖到画布上。删除原来的 output 层，改为连接新层。
一样把这个先删了：
再拖动进来连接：
五、检查网络
通过点击分析检查您的网络。如果 Deep Learning Network Analyzer 报告零错误，则表示网络已准备就绪，可以开始训练。
有个错误：
原来我左边拖动多了几个，把它删了：
再次点击分析：
成功！
准备训练…
等待吧…
电脑好，训练快…
准确率有点低，我们重新设置一下…
将 InitialLearnRate 设置为 0.0001，ValidationFrequency 设置为 5，MaxEpochs 设置为 8。由于有 55 个观测值，因此将 MiniBatchSize 设置为 11 以平均划分训练数据，并确保在每轮期间使用整个训练集。
点击关闭。
然后我们再来训练：
等待…
正确率提高到95%…
六、导出训练结果
要导出训练结果，请在训练选项卡上选择导出 > 导出经过训练的网络和结果。深度网络设计器将经过训练的网络导出为变量
trainedNetwork_1，将训练信息导出为变量 trainInfoStruct_1。
您也可以生成 MATLAB 代码，它可以重新创建所使用的网络和训练选项。在训练选项卡上，选择导出 > 生成训练代码。
重命名一下
打开看看！
不错，nice!!!
七、测试经过训练的网络
选择一个新图像以使用经过训练的网络对其进行分类:
I = imread("MerchDataTest.jpg");
调整测试图像的大小以匹配网络输入大小。
I = imresize(I, [224 224]);
使用经过训练的网络对测试图像进行分类。
[YPred,probs] = classify(trainedNetwork_1,I);
imshow(I)
label = YPred;
title(string(label) + ", " + num2str(100*max(probs),3) + "%");
完整代码为：
I = imread("MerchDataTest.jpg");
I = imresize(I, [224 224]);
[YPred,probs] = classify(trainedNetwork_1,I);
imshow(I)
label = YPred;
title(string(label) + ", " + num2str(100*max(probs),3) + "%");
测试效果：
八、留个问题
这里我们分类的是官网提供的图像。那么：
- 我们可否来分类自定义的图像？
- 类比图像，我们可否分类音频？