深度网络设计器快速入门

提取要训练的数据

在工作区中，解压缩数据。

unzip('MerchData.zip');

选择预训练网络

打开深度网络设计器。

deepNetworkDesigner

通过从深度网络设计器起始页中选择一个预训练的 GoogLeNet 网络来进行加载。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。

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。

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 > 导入图像分类数据。

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。

点击导入将数据导入深度网络设计器。

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。此网络的输入大小为 224×224。

编辑迁移学习网络

要对预训练网络进行重新训练以对新图像进行分类，请使最后一个可学习层和最终分类层适应新数据集。在 GoogLeNet 中，这两个层的名称分别为 'loss3-classifier' 和 'output'。

在设计器选项卡中，点击最终全连接层 'loss3-classifier'。在属性窗格的底部，点击解锁层。在出现的警告对话框中，点击仍要解锁。这将解锁层属性，以便您可以使其适应新任务。

在 R2023b 之前：要编辑层属性，您必须替换层，而不是解锁层。

将 OutputSize 设置为新数据中的类数量，此示例中为 5。

编辑学习率，以使新层中的学习速度快于迁移层的学习速度。将 WeightLearnRateFactor 和 BiasLearnRateFactor 设置为 10。

选择分类层 'output'，点击解锁层，然后点击仍要解锁。对于解锁的输出层，不需要设置 OutputSize。在训练时，深度网络设计器会根据数据自动设置层的输出类。

检查网络

通过点击分析检查您的网络。如果深度学习网络分析器报告零错误，则表示网络已准备就绪，可以开始训练。

训练网络

要使用默认设置训练网络，请在训练选项卡上，点击训练。

如果您要更好地控制训练，请点击训练选项，然后选择训练所用的设置。默认训练选项更适合大型数据集。对于小型数据集，请对小批量大小和验证频率使用较小值。有关选择训练选项的详细信息，请参阅trainingOptions。

对于此示例，将 InitialLearnRate 设置为 0.0001，MaxEpochs 设置为 8，ValidationFrequency 设置为 5。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。

要使用指定的训练选项训练网络，请点击确定，然后点击训练。

深度网络设计器允许您可视化和监控训练进度。然后，如果需要，您可以编辑训练选项并重新训练网络。

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。

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) + "%");

有关详细信息，包括关于其他预训练网络的信息，请参阅深度网络设计器。