如今最熱的方向莫過于深度學(xué)習(xí)了，什么AlexNet，GoogleNet，幾乎都耳熟能詳，畢竟畢業(yè)設(shè)計一般的題目都和深度學(xué)習(xí)有關(guān)。

相信看到這篇文章的同學(xué)，對深度學(xué)習(xí)大概是干啥的，肯定有所理解。但是可能苦惱于怎么把我自己的數(shù)據(jù)導(dǎo)入這些網(wǎng)絡(luò)里，怎么讓模型輸出分類/識別的結(jié)果？

下面以在 Matlab 里用 AlexNet 進(jìn)行 分類 為例，帶大家從零開始使用模型，一直到輸出分類結(jié)果。

首先要進(jìn)行分類的話，肯定需要有已經(jīng)分好類的數(shù)據(jù)庫，如下圖所示。ClassficationData文件夾里有五個子文件夾，代表五類樣本。

可以看到，每個子文件夾中的數(shù)據(jù)格式均為jpg

現(xiàn)在要做的事，就是用這些數(shù)據(jù)，訓(xùn)練AlexNet模型，使其可以自動對照片進(jìn)行分類。由于AlexNet對輸入圖片尺寸有要求（227227），所以我們首先要對原始數(shù)據(jù)庫的圖片尺寸統(tǒng)一為227227。這部分代碼參考鏈接1。

鏈接1：Matlab批量修改文件夾中照片尺寸

值得注意的是，在使用鏈接1里的代碼時，需要預(yù)先建立一個新的文件夾，以及里面的子文件夾（同名），這樣才可以把修改好的圖片存進(jìn)來。如下圖：

接下來只需要把照片導(dǎo)入模型里就OK了，我們這里參考matlab官方例程，為大家做個示范，代碼如下：

imds = imageDatastore('F:\模式識別作業(yè)\ResizeClassificationData\', ...'IncludeSubfolders',true,'LabelSource','foldernames');% 每類樣本中測試集的個數(shù)，若每類樣本有50個，測試集:訓(xùn)練集 = 7:3 = 35:15 numTrainFiles = 35; [imdsTrain,imdsValidation] = splitEachLabel(imds,numTrainFiles,'randomize');layers1 = alexnet; % 引入alexnet layers2 = layers1.Layers(1:end-3); % 去掉alexnet后3層 layers = [layers2 % 修改alexnet后3層fullyConnectedLayer(5,'WeightLearnRateFactor',20,'BiasLearnRateFactor',20)softmaxLayerclassificationLayer]; inputSize = layers1.Layers(1).InputSize;augimdsValidation = augmentedImageDatastore(inputSize(1:2),imdsValidation); options = trainingOptions('sgdm', ... % 模型參數(shù)調(diào)整'MiniBatchSize',10, ...'MaxEpochs',6, ...'InitialLearnRate',1e-4, ...'Shuffle','every-epoch', ...'ValidationData',augimdsValidation, ...'ValidationFrequency',3, ...'Verbose',false, ...'Plots','training-progress');net = trainNetwork(imdsTrain,layers,options); % 訓(xùn)練好的模型YPred = classify(net,imdsValidation); % 預(yù)測結(jié)果輸出 YValidation = imdsValidation.Labels;accuracy = sum(YPred == YValidation)/numel(YValidation) % 精度輸出

結(jié)果輸出如下：

最后，將整個功能代碼封裝成一個簡單好操作的形式，點(diǎn)下“運(yùn)行”就完事了，實(shí)現(xiàn) 尺寸重定義 + alexnet模型訓(xùn)練輸出 一條龍，不用再手動建立新的文件夾，效果如下：

猜你喜歡：👇🏻
?基于小波變換的圖像邊緣檢測（matlab祖?zhèn)鞔a注釋）
?Matlab對話框總結(jié)

總結(jié)

以上是生活随笔為你收集整理的【实操】深度学习网络万万千，到底怎么把我的数据放进去？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。