2.2修改预训练网络的图层

用fullyConnectedLayer函数创建一个新的全连接层，具有给定数量的神经元：

                                        fclayer = fullyConnectedLayer(n);

如创建一个带有12个神经元的（代表12种花）新的全连接层 fc:

                                            fc = fullyConnectedLayer(12);

可以使用标准数组索引来修改图层数组的各个元素：

                                                    mylayers(n) = mynewlayer;

通过layers（数组），将刚创建的全连接层 fc替换到最后的全连接层（第23层）：

                                                            layers(23) = fc;

您可以使用该classificationLayer功能为图像分类网络创建新的输出图层:

                                            cl = classificationLayer ;

您可以使用单个命令创建新图层并使用新图层覆盖现有图层：

                                 mylayers （n）= classificationLayer ;

改变layers（通过数组下标）的输出层为用classificationLayer新创建的输出层：

                                            layers(25) = classificationLayer;

您可以为训练算法设置哪些选项？您可以使用该trainingOptions功能查看可用选项。

                                        opts = trainingOptions （'sgdm' ） ;

这将创建一个变量opts，其中包含训练算法的默认选项“带动量的随机梯度下降”。

您可以在trainingOptions函数中指定任意数量的设置作为可选的名称 - 值对。

                           opts = trainingOptions （'sgdm' ，' name ' ，value）;

将初始学习速率（InitialLearnRate）设置为0.001 ：

                        opts = trainingoptions('sgdm' , 'InitialLearnRate' , 0.001);

What is a "mini-batch"?

At each iteration, a subset of the training images, known as a mini-batch, is used to update the weights. Each iteration uses a different mini-batch. Once the whole training set has been used, that's known as an epoch.

The maximum number of epochs (MaxEpochs) and the size of the mini-batches (MiniBatchSize) are parameters you can set in the training algorithm options.

Note that the loss and accuracy reported during training are for the mini-batch being used in the current iteration.

By default, the images are shuffled once prior to being divided into mini-batches. You can control this behavior with the Shuffle option.

2.3评估绩效

变量info是包含培训信息的结构。字段TrainingLoss和TrainingAccuracy包含在每次迭代训练数据网络的性能的记录。

使用plot可以绘制训练损失:

                                                    plot(info.TrianingLoss);

网络在训练数据上似乎表现良好，但真正的测试是它在测试数据上表现如何。flowernet是训练好的网络，testImgs是测试集，使用 classify来进行预测：

                                       flwrPreds = classify(flowernet , testImgs);

通过属性Labels来提取测试集的标签：

                                        flwrActual = testImgs.Labels;

使用nnz函数和“==”来查看预测标签和实际标签匹配度：

                                        numCorrect = nnz(flwPreds == flwrActual);

为计算预测正确的百分比，可以使用numel函数确定flwrPreds的元素数量:

                                      fracCorrect = numCorrect/numel(flwrPreds);

confusionmat函数是计算预测分类的混淆矩阵：

                                    cmat = confusionmat(knownclass,predictedclass);

混淆矩阵的（j，k）元素cmat是网络预测在类k中来自类j的图像的数量。因此，对角元素代表正确的分类; 非对角元素代表错误分类。

要解释混淆矩阵，有助于获得类标签列表。您可以从中获取标签作为第二个输confusionmat。计算flwrconf花朵测试数据的混淆矩阵，并获取关联的类别标签。将标签存储在一个名为的变量中flwrnames：

                       [flwrconf , flwrnames] = confusionmat(testImgs.Labels , flwrPreds);

通过可视化来理解混淆矩阵通常更容易理解。您可以使用该heatmap功能将混淆矩阵可视化为“heatmap”。

                                          heatmap（xlabels, ylabels, matrix);

对于混淆矩阵，x和y标签是相同的（类名称）。

将混淆矩阵flwrconf可视化，使用类标签flwrnames来标记轴：

                                  heatmap (flwrnames , flwrnames , flwrconf);

迁移学习总结