自己做的网站加载速度慢,花瓣网 素材 图库,宫廷计有哪些网站开发的,淄博网站制作服务推广1. 加载图像 1.1 使用imread函数加载图像#xff0c;可以加载GIF、JPEG、PNG等大多数标准文件格式图像。
Import an image
img imread(file.jpg)1.2 采用**imshow()**来显示图像。
imshow(img)1.3 采用alexnet函数可以创建预定义的深度网络AlexNet的副本。
de…1. 加载图像 1.1 使用imread函数加载图像可以加载GIF、JPEG、PNG等大多数标准文件格式图像。
Import an image
img imread(file.jpg)1.2 采用**imshow()**来显示图像。
imshow(img)1.3 采用alexnet函数可以创建预定义的深度网络AlexNet的副本。
deepnet alexnet1.4 采用classify函数可以对图像进行预测。
pre1 classify(deepnet,img2)1.5 通过附加功能可以扩展MATLAB的功能安装相关工具。
2.CNN 2.1 像任何CNN一样在MATLAB存储在数组中第一个和最后一个元素分别为输入层和输出层。
2.2 在AlexNet中如上deepnet表示一个深度卷积网络可以使用variable.Property索引来引用变量的Layers属性。
ly deepnet.Layers
%通过索引访问层数组中的某层。
inlayer ly(1)
%网络的每个层都有与其类型相关的属性。
insz inlayer.InputSize2.3 图像维度 灰度图像在MATLAB中表示为m x n数组每个元素代表对应图像像素的强度彩色图像表示为m x n x 3 的数组三个m x n的平面分别表示红色、绿色和蓝色的强度。
2.4 AlexNet要求输入的图像大小为227 x 227 x 3。
2.5 将输入归入 n 个类之一神经网络具有一个包含 n 个神经元的输出层每个类对应一个神经元。网络接受输入后会为每个神经元计算一个数值。这些数值代表网络对输入可能属于每个类的概率所做的预测。 2.6 classify 函数默认输出网络打分最高的类。但可以使用 classify 的另一个输出参数来获得所有类的预测分数。
[pred,scrs] classify(net,img)2.7 使用bar函数可以绘制条形图使用xticklabels 函数可以为条形图绘制分类标签。
%设置标签的显示形式
xticks(1:length(scores(highscores)))
xticklabels(categorynames(highscores))
xtickangle(60)3.图像数据存储 3.1 数据存储是一种MATLAB变量可以引用数据源像图像文件的文件夹。MATLAB会遍历相关文件并存储一些基本信息。如文件的名称和格式。
3.2 使用 imageDatastore 函数在 MATLAB 中创建一个数据存储指定文件夹名称或文件名作为输入。您可以使用通配符*来指定多个文件。
% 引用以foo开头的所有png文件
ds imageDatastore(foo*.png)3.3 可以使用Files属性提取图像文件名。
fname ds.Files3.4 使用 read、readimage 和 readall 函数从数据存储手动导入数据read 按顺序一次导入一个图像readimage 导入单个特定图像readall 将所有图像导入一个元胞数组中每个图像位于一个单独元胞中。
% 读取第n张图片
I readimage(ds,n)3.5 可以在classify中使用数据存储来代替单个图像。
preds classify(net,ds)3.6查看图像可以通过APP中的Image Browser打开文件列表可以查看看图像。
3.7 调整输入使用size可以查看图像的大小
3.8 获取AlexNet网络的层数组并获取第一层的大小。
net alexnet
layer net.Layers
insz layer(1).InputSize3.9 可使用imresize函数调整图像的大小使其与预期的输入大小相匹配。
%img 调整为 numrows×numcols。也就是说imgresz 的宽度为 numcols 个像素高度为 numrow 个像素。
imgresz imresize(img,[numrows numcols]);imshow(img)
img imresize(img,[227,227])
imshow(img)3.10.图像预处理对整个数据集执行相同的预处理可以使用 augmentedImageDatastore 函数执行基本预处理该函数接受图像数据存储和图像大小作为输入。数据存储可以传递给 classify 函数。
imds imageDatastore(*.jpg)3.11 增强的图像数据存储可以对整个集合图像执行简单的预处理。要创建此数据存储请使用 augmentedImageDatastore 函数并将网络的图像输入大小用作输入。
auds augmentedImageDatastore([r c],imds)
auds augmentedImageDatastore([227,227],imds)3.12 可以将增强的图像数据存储用作 classify 函数的输入。在对每个图像进行分类之前将使用您创建数据存储时指定的方法对其进行预处理。
preds classify(net,auds)还可以使用 augmentedImageDatastore 函数将灰度图像转换为 RGB 图像。
4.颜色处理 4.1 灰度图像的大小是m x n x 1,在要求m x n x 3 的网络中可以将灰度图转化为RGB图像
4.2 使用montage 函数显示数据存储中的图像。
montage(imds)4.3 在创建增强的图像数据存储时可以通过设置 ColorPreprocessing 选项将这些图像转换为三维数组。
auds augmentedImageDatastore([n m],...
imds,ColorPreprocessing,gray2rgb)auds augmentedImageDatastore([227,227],imds,ColorPreprocessing,gray2rgb)5.用子文件夹选项创建数据存储 5.1 默认情况下imageDatastore 只在给定文件夹内查找图像文件。可以使用 ‘IncludeSubfolders’ 选项在给定文件夹的子文件夹中查找图像。
ds imageDatastore(Flowers,IncludeSubfolders,true) 6.迁移学习 6.1 采用预训练网络、并对其进行修改并基于新数据对其进行重新训练的过程称之为迁移学习。通过迁移学习可以有效解决许多问题。其训练需要一些数据和一定的计算时间但与从头开始训练相比要少得多而且您可以获得适合解决您具体问题的网络。
6.2 迁移学习的要素
Network layersTraining dataAlgorithm options batch sizeMax iterationsLearning rate
基于上述三要素可以调用trainNetwork函数进行训练
net trainNetwork(data,layers,options)6.3 标记图像 训练所需的标签可以存储在图像数据存储的 Labels 属性中。默认情况下Labels 属性为空。可以指定 ‘LabelSource’ 选项让数据存储根据文件夹名称自动确定标签。
%采用子文件夹名称作为标签
ds imageDatastore(folder,IncludeSubfolders,true,LabelSource,foldernames)flwrds imageDatastore(pathToImages,IncludeSubfolders,true,LabelSource,foldernames);
flowernames flwrds.Labels6.4 训练数据和测试数据 使用 splitEachLabel 函数将数据存储中的图像分成两个单独的数据存储。
[ds1,ds2] splitEachLabel(imds,p)比例 p从 0 到 1 的值表示 imds 中各标签对应的图像应纳入 ds1 中的比例。其余文件分配给 ds2。
[flwrTrain ,flwrTest] splitEachLabel(flwrds,0.6)6.5 默认情况下splitEachLabel 会保持文件有序。您可以通过添加可选的 ‘randomized’ 标志来实现随机乱序。
[flwrTrain ,flwrTest] splitEachLabel(flwrds,0.8,randomized)6.6 为了避免**不平衡的训练数据**在拆分数据时最好使每个类的训练图像数量相同。 6.7 当 p 是从 0 到 1 的值时它解释为比例。图像会基于标签按比例进行拆分。您还可以指定每个标签的对应文件中要分配给 ds1 的确切数量。
% 确保 ds1 中的每个标签都有 n 个图像即使这些类别并不都包含相同数量的图像。
[ds1,ds2] splitEachLabel(imds,n)[flwrTrain ,flwrTest] splitEachLabel(flwrds,50,randomized)6.8 增强的训练数据
imageDatastoreaugmentedImageDatastoreimageDataAugmenter设置变换如旋转翻转平移剪切和缩放可作为augmentedImageDatastore函数的输入。trainNetworkaugmentedImageDatastore可作为其输入参数在训练时数据会进行预处理。
6.9 修改网络层 主要包含卷积层池化层和修正线性单元层全连接层和softmax层等。在进行迁移学习时通常只需要修改最后这几层来建立新数据与类别的对应。
6.10 通过层数组索引相应的层将创建的新层复制给需要修改的层。并修改。
% 创建一个具有n个神经元的全连接层
fclayer fullyConnectedLayer(n)
fc fullyConnectedLayer(12)
% 修改全连接层
layers(23) fc
6.11 使用 classificationLayer 函数为图像分类网络创建一个新输出层。
layers(end) classificationLayer6.12 使用 trainingOptions 函数来查看所选训练算法的可用选项。
% 设置动量随机梯度下降训练算法的默认选项
opts trainingOptions(sgdm)6.13 学习率控制算法更改网络权重的幅度。迁移学习的目标是微调现有网络因此与从头开始训练相比通常希望更改权重的幅度不大。 可以在 trainingOptions 函数中使用名称-值对组指定任意数量的选项设置。
opts trainingOptions(sgdm,InitialLearnRate,0.001)7.训练 7.1 执行训练函数trainNetwork。
% 参数info记录了损失值和准确率。
[net,info] trainNetwork(data,layers,options)7.2 小批量 在每次迭代中网络都会使用训练图像的一个子集来更新权重这个子集称为小批量。每次迭代都采用不同的小批量。如果整个训练集都被使用过了则称为完成了一轮。
可以在训练算法选项中设置的参数是最大轮数 (MaxEpochs) 和小批量的大小 (MiniBatchSize)。 默认情况下图像在分成小批量之前会进行一次乱序处理。您可以使用 Shuffle 选项来控制此行为。
7.3 GPU **GPU图形处理单元**可以大大加快深度学习所需的大量计算。如果计算机没有配备支持的 GPU训练可以在 CPU 上执行但可能需要很长时间。要真正地使用深度学习最好在配备了具有足够处理能力的 GPU 的计算机上训练您的网络。
如果您安装了适当的 GPU 和 Parallel Computing ToolboxtrainNetwork 函数可自动在 GPU 上执行训练无需专门编码。如果没有安装训练将在计算机的 CPU 上进行。您可以体验过后再决定是否购买所需的硬件和软件。
7.4 综合实例
%获取训练图像flower_ds imageDatastore(Flowers,IncludeSubfolders,true,LabelSource,foldernames);
[trainImgs,testImgs] splitEachLabel(flower_ds,0.6);
numClasses numel(categories(flower_ds.Labels));%通过修改 AlexNet 创建网络net alexnet;
layers net.Layers;
layers(end-2) fullyConnectedLayer(numClasses);
layers(end) classificationLayer;%设置训练算法选项options trainingOptions(sgdm,InitialLearnRate, 0.001);%执行训练[flowernet,info] trainNetwork(trainImgs, layers, options);%使用经过训练的网络对测试图像进行分类testpreds classify(flowernet,testImgs);8.评估训练 8.1 变量 info 是包含训练信息的结构体。TrainingLoss 和 TrainingAccuracy 字段包含网络在训练数据上进行每次迭代后达到的性能的记录。
8.2 绘制损失值和准确率曲线
plot(info.TrainingLoss)8.3 使用逻辑比较和 nnz 函数来确定两个数组的匹配元素数;
numequal nnz(a b)8.4 按类分析性能
损失和准确度给出的是网络性能的总体度量。进一步地研究网络对于不同类的图像的性能表现可发掘更多信息.confusionchart 函数计算并显示预测分类的 confusion matrix。
confusionchart(knownclass,predictedclass)混淆矩阵的 (j,k) 元素值用于统计网络将 j 类中的多少个图像预测为属于类 k。因此对角线上的元素代表正确分类非对角线上的元素代表误分类。 8.5 提高性能 为了防止模型在训练集上表现好而在测试集上表现差可以把训练的数据划分为训练集和验证集在训练期间在通过训练数据更新网络后需要基于验证数据集测试网络性能。如果测试性能提高则继续训练否则停止训练防止过拟合。
9.迁移学习总结
10.综合实例 10.1 回归与目标检测
回归是指在网络分析图像后返回一个数值而非一个标签。可以使用Deep Learning Toolbox来执行回归。返回图像中的特定区域可以使用R-CNN在Computer Vision System Toolbox中提供了可实现此目的的函数。
