五、检查网络

通过点击分析检查您的网络。如果 Deep Learning Network Analyzer 报告零错误，则表示网络已准备就绪，可以开始训练。

有个错误：

原来我左边拖动多了几个，把它删了：

再次点击分析：

成功！

准备训练…

等待吧…

电脑好，训练快…

准确率有点低，我们重新设置一下…

将 InitialLearnRate 设置为 0.0001，ValidationFrequency 设置为 5，MaxEpochs 设置为 8。由于有 55 个观测值，因此将 MiniBatchSize 设置为 11 以平均划分训练数据，并确保在每轮期间使用整个训练集。

点击关闭。

然后我们再来训练：

等待…

正确率提高到95%…

六、导出训练结果

要导出训练结果，请在训练选项卡上选择导出 > 导出经过训练的网络和结果。深度网络设计器将经过训练的网络导出为变量

trainedNetwork_1，将训练信息导出为变量 trainInfoStruct_1。

您也可以生成 MATLAB 代码，它可以重新创建所使用的网络和训练选项。在训练选项卡上，选择导出 > 生成训练代码。

重命名一下

打开看看！

不错，nice!!!

七、测试经过训练的网络

选择一个新图像以使用经过训练的网络对其进行分类:

I = imread("MerchDataTest.jpg");

调整测试图像的大小以匹配网络输入大小。

I = imresize(I, [224 224]);

使用经过训练的网络对测试图像进行分类。

[YPred,probs] = classify(trainedNetwork_1,I);
imshow(I)
label = YPred;
title(string(label) + ", " + num2str(100*max(probs),3) + "%");

完整代码为：

I = imread("MerchDataTest.jpg");

I = imresize(I, [224 224]);

[YPred,probs] = classify(trainedNetwork_1,I);
imshow(I)
label = YPred;
title(string(label) + ", " + num2str(100*max(probs),3) + "%");

测试效果：

八、留个问题

这里我们分类的是官网提供的图像。那么：

1. 我们可否来分类自定义的图像？
2. 类比图像，我们可否分类音频？