深度学习matlab图像分类，手把手教程系列

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：

1. 我们可否来分类自定义的图像？
2. 类比图像，我们可否分类音频？