Deep Learning Onramp 学习笔记

1.1

deepnet = alexnet %利用库内pretrained alexnet

img  = imread('filename')  %使用变量存储图片

imshow(img)  %展示图片

classify(deepnet,img) %使用alexnet来分类当前的图片

1.2

ly=deepnet.Layers  %用ly变量存储deepnet的layers信息，如下图

inlayer = ly(1) %提取输入层的信息

insz = inlayer.InputSize %提取输入层的维度

outlayer=ly(end) %提取输出层的信息

categorynames = outlayer.ClassNames %提取输出层的分类名

1.3  对每个类别的输出概率

[pred,scrs] = classify(net,img) %获取每个标签的概率scrs

thresh = median (scores) + std(scores) %中值+ 标准差

highscores = scores > thresh %大于该阈值的分数置1其余置0

有许多概率远低于阈值的标签，在绘制直方图时应将这些标签去除。

scores(highscores) %提取出大于阈值的分数

bar(scores(highscores)) %直方图展示

xticks(1:length(scores(highscores))) %划出有多少个刻度值

xticklabels(categorynames(highscores)) %标出该刻度值的标签

xtickangle(60) %标签显示角度

1.4 创造一个datastore

将图片存在硬盘中即可，使用datastore来索引图片，还可以不必考虑内存使用

imds = imageDatastore('file*.jpg')  %创建一个datastore *号代表任意值

fname = imds.Files %提取所有文件的名字

[pred,scores] = classify(deepnet,imds) %将ds的图片都送入进行分类，scores = 文件数*预测单元数

[C,labels]=max(scores,[],2)                   %C为预测的最大值，labels 为预测的种类标签  长度= 文件数*1

bar(C)

xticks(1:length(labels,2)) %划出有多少个刻度值

xticklabels(categorynames(labels)) %标出该刻度值的标签

xtickangle(60) %标签显示角度

1.5 

用自己的文件夹把不同的花进行分类

利用

flwrds= imageDatastore('Flowers','IncludeSubfolders',true);

‘includeSubfolders’可以将子文件夹也包括进去；

2. 迁移学习