Matlab深度学习工具试玩手册一：基本操作与迁移学习

本文同时发布于知乎（用户名Haoran），如需转载，请注明出处。

目录

前言

一、利用现成网络进行分类

二、构建简单的分类网络

三、迁移学习

前言

Matlab从2016a版本开始提供了深度学习的相关工具，可以很方便地构建自己的网络或下载一些现成的经典网络（如AlexNet，GoogLeNet和VGG系列）进行迁移学习。作为一个初学者，我粗浅地认为，对于深度学习，我们实际的操作步骤可以分三大块：数据集（包括载入图片，制作训练集验证集，送入网络前对图片进行预处理），构建网络和选择训练方式。本文将基于Matlab2017b，紧抓这三块，基于3个Matlab的官方示例，分享Matlab深度学习工具的初步试玩心得。

一、利用现成网络进行分类

该部分将利用GoogLeNet进行图片分类，目的在于通过介绍几个内置函数的使用，演示如何在Matlab2017b中进行现成网络的下载，如何调整图片尺寸以与网络输入层相符，以及怎么将下载的网络运用在单独的一张图片上进行测试。

1、载入网络

在使用GoogLeNet之前，需要在add-one explorer上进行下载安装，同时界面上会介绍网络的相关使用方式（由于GoogLeNet过于复杂，在此不展示其内部结构）：

根据上述内容，载入GoogLeNet：

net = googlenet;

2、调整图片尺寸

Matlab官方示例的图片是经过预先裁剪处理后的，最终运行得精确度在95%左右，现在我们随便选择一张未经预处理的桌面壁纸（1920X1080）进行测试，看效果如何。

调整图片尺寸的目的是为了与网络输入层参数相匹配，因此我们需要首先获取GoogLeNet输入层参数：

inputSize = net.Layers(1).InputSize;

调整图片尺寸，在此我们需要用到imread()和imresize()两个函数：

%读入图像
B = imread('bird.jpg'); 
%重设图像尺寸，若inputSize=[227 227 3]，则inputSize[1:2]=[227 227]，相当于取inputSize前两维
B = imresize(B, inputSize(1:2)); 

3、图片分类测试

现在，将调整后的图片送入GoogLeNet进行测试：

figure
imshow(B)
%取Googlenet输出层最后能分辨的对象类别
classNames = net.Layers(end).ClassNames;
title(string(label) + "," + num2str(100*scores(classNames == label), 4) + "%");

测试结果显示图片内容有51.65%的可能性为brambling（燕雀），由于测试图片含有大量背景干扰，仅图片大约中间位置为待测对象，而不论图片中的是否为燕雀，预测结果的大方向是可以接受的。

二、构建简单的分类网络

该部分将实现一个简单分类网络的构建并在新数据集上运行测试，目的在于熟悉深度学习的核心步骤，并通过介绍几个内置函数的使用实现从载入数据、构建网络、训练网络到作出预测的整个流程。

1、数据集处理

假设我们已获取所需图片，并人为将其分门别类放置于地址'D:\Matlab\ImageData'下的各子文件夹中（如本例数据集中含写有数字0-9的图片，我们