matlab深度学习基本操作，深度学习讲解，源代码分享，用一用改一改随便发篇EI

神经网络工具箱™提供了算法、预训练模型和应用程序来创建、训练、可视化和模拟浅层和深层神经网络。您可以执行分类、回归、聚类、降维、时间序列预测以及动态系统建模和控制。

深度学习网络包括卷积神经网络(ConvNets, CNNs)、有向无环图(DAG)网络拓扑，以及用于图像分类、回归和特征学习的自动编码器。对于时间序列分类和回归，工具箱提供了长期短期记忆(LSTM)深度学习网络。您可以可视化中间层和激活，修改网络架构，并监控培训进度。

对于小的训练集，您可以通过使用预先训练的深度网络模型(包括Inception-v3、ResNet-50、ResNet-101、GoogLeNet、AlexNet、vg -16和vg -19)和TensorFlow®-Keras或Caffe导入的模型进行迁移学习，快速应用深度学习。

为了加速大型数据集的训练，您可以在桌面上的多核处理器和GPU(使用并行计算工具箱™)上分布计算和数据，或者扩展到集群和云，包括Amazon EC2®P2、P3和G3 GPU实例(使用MATLAB®分布式计算服务器™)。

关于深度学习方法的免费实践介绍，请参阅deep learning Onramp。

10行MATLAB®代码实现深度学习
这个例子展示了如何使用深度学习来识别现场摄像头上的对象，仅使用10行MATLAB®代码。试一下这个例子，看看在MATLAB中开始深度学习有多简单。

如果需要，运行这些命令获取下载，连接到网络摄像头，并获得预先训练的神经网络。
不想安放弃，下一个。

如何使用预先训练的深度卷积神经网络GoogLeNet对图像进行分类。

GoogLeNet已经对超过100万张图片进行了训练，并可以将图片分类为1000个对象类别(比如键盘、咖啡杯、铅笔和许多动物)。该网络为广泛的图像学习了丰富的特征表示。该网络以图像作为输入，并输出图像中对象的标签以及每个对象类别的概率。
Pretrained网络
加载预先训练好的google网络。您也可以选择加载一个不同的预训练网络来进行图像分类。这一步需要GoogLeNet网络的神经网络工具箱™模型。如果您没有安装所需的支持包，那么该软件将提供一个下载链接。
然后又需要安装，安装就可以用了，做图像处理的。有需要可以深入了解。

这个例子展示了如何使用迁移学习再训练AlexNet，一个预处理卷积神经网络，分类一组新的图像。试试这个例子，看看在MATLAB®中开始深度学习有多简单。

迁移学习是深度学习应用中常用的一种学习方法。你可以把一个预先训练过的网络作为学习新任务的起点。用迁移学习对网络进行微调通常比用随机初始化的权值从零开始训练网络要快得多，也容易得多。你可以使用少量的训练图像快速地将学习到的特征转移到一个新的任务中。

加载数据
解压缩并将新映像作为映像数据存储加载。将数据分为训练数据集和验证数据集。使用70%的图像进行训练，30%的图像进行验证。

unzip(‘MerchData.zip’);
imds = imageDatastore(‘MerchData’,‘IncludeSubfolders’,true,‘LabelSource’,‘foldernames’);
[imdsTrain,idmsValidation] = splitEachLabel(imds,0.7,‘randomized’);

加载Pretrained网络
加载预训练的AlexNet网络。如果AlexNet网络的神经网络工具箱™模型没有安装，则软