MATLAB与深度学习（二）— 训练神经网络（图像分类识别）

1. 下载数据集
以CIFAR-10数据集为例
1.1 方式一，在matlab上下载

%% Download the CIFAR-10 dataset
if ~exist('cifar-10-batches-mat','dir')
    cifar10Dataset = 'cifar-10-matlab';
    disp('Downloading 174MB CIFAR-10 dataset...');   
    websave([cifar10Dataset,'.tar.gz'],...
        ['https://www.cs.toronto.edu/~kriz/',cifar10Dataset,'.tar.gz']);
    gunzip([cifar10Dataset,'.tar.gz'])
    delete([cifar10Dataset,'.tar.gz'])
    untar([cifar10Dataset,'.tar'])
    delete([cifar10Dataset,'.tar'])
end    

1.2 方式二，直接下载
我运行方式一的代码会报错，所以直接通过下面网址下载后。然后把数据集放在MATLAB的工作路径上。
https://www.cs.toronto.edu/~kriz/cifar-10-matlab.tar.gz；链接.

2. 利用CIFAR10数据集 — 迁移学习训练现有网络
以Alexnet为例：图像分类识别

convnet = alexnet;
convnet.Layers % Take a look at the layers

常用网络层
卷积层将输入图像放进一组卷积滤波器，每个滤波器激活图像中的某些特征。

ReLU 层通过将负值映射到零和保持正数值，实现更快、更高效的训练。

池化层通过执行非线性下采样，减少网络需要学习的参数个数，从而简化输出。

全连接层将网络 2D 空间特征“扁平化”为 1D 矢量，为分类目的而表示图像级特征。

Softmax 层为数据集中的每个类别提供概率。

下载完成后，转换数据格式，不然后面会报错：

 saveCIFAR10AsFolderOfImages('cifar-10-batches-mat', pwd, true);

数据设置，CIFAR-10数据集可以选择的对象是10种

rootFolder = 'cifar10Train';
categories = {'Deer','Dog','Frog','Cat'};
imds = imageDatastore(fullfile(rootFolder, categories), 'LabelSource', 'foldernames');
imds.ReadFcn = @readFunctionTrain;

% Change the number 50 to as many training images as you would like to use
% how does increasing the number of images change the 
% accuracy of the classifier?
[trainingSet, ~] = splitEachLabel(imds, 50, 'randomize'); 

通过激活来提取数据集的特征

featureLayer = 'fc7';
trainingFeatures = activations(convnet, trainingSet, featureLayer);

训练SVM分类器

temp(:,:)=trainingFeatures ;
temp=temp';
classifier = fitc