本文主要向大家介绍了机器学习入门之快速入门深度学习（2）迁移学习，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

    有点神经网络基础的基础就会看得明白，上次的例子就是拿已经训练好的网络去用一下嘛，根本无关什么“深度学习”，完全可以把AlexNet看做一个分类器，把待分类的数据丢进去就可以了。

    这次咱们要“学习”一把了，针对特定的任务构造自己的分类器了。这次咱们仍然使用AlexNet的网络结构（谁让它经典呢），训练这个网络让它为咱们服务。

    在正式Coding之前，首先了解下什么是迁移学习。所谓的迁移学习就是指在深度学习中，把一个学习好的深度网络，稍加改造变成自己特有网络的意思，至于这样做的道理，咱们这里先不深入探讨，只要先记住迁移学习有个很大的好处，就是网络收敛速度快。

实验准备

Matlab2017b或者更新的版本，AlexNet。

数据准备：为了实验的一致性，使用Matlab计算机视觉工具箱自带的数据。

开始编程

载入数据

unzip('MerchData.zip');

imds = imageDatastore('MerchData','IncludeSubfolders',true,'LabelSource','foldernames');

[imdsTrain,idmsValidation] =splitEachLabel(imds,0.7,'randomized');

unzip函数的意思是解压压缩文件。执行这一句之后可以看到在当前目录下多了一个文件夹：

这个文件夹里面就是本次实验所使用的数据。为了更方便地组织该数据，我们使用imageDatastore函数来构造一个数据结构，用以管理数据。执行上面一句之后得到来一个imageDatastore数据结构，我们进入当前的工作空间对其进行观察。

可以看到待使用的数据，被一个数据结构进行了组织，并且使用文件夹的名称作为了类标签。我们随机选择16个图像用 的方式进行显示。

numImages= numel(imds.Labels);%统计总数

idx =randperm(numImages,16);  %随机选择

figure

for i = 1:16

    subplot(4,4,i)

    I = readimage(imds,idx(i));

    imshow(I)

end

可以看到

我们接下来把图像分为测试集（30%）和训练集（70%）：

[imdsTrain,idmsValidation]= splitEachLabel(imds,0.7,'randomized'); 

数据准备完毕了。

加载AlexNet网络

由于我们这一章讲的是迁移学习，所以接下来需要加载已经训练好的alexnet网络。关于如何加载请参看前一章。

net =alexnet;

修改网络

由于咱们这次只需要识别5个类，所以需要对AlexNet网络进行修改以适应当前的问题。我们这次主要对其进行如下修改：修改全连接层的输出数量，从原来的1000变为5，其余保持不变。首先提取出前面的层数，然后使用fullyConnectedLayer构造全连接层，最后完成整个网络的构建。

layersTransfer= net.Layers(1:end-3);

layers =[

    layersTransfer

    fullyConnectedLayer(5,'WeightLearnRateFactor',20,'BiasLearnRateFactor',20)

    softmaxLayer

    classificationLayer];

最后的结果layer就是我们需要的网络结构，此时网络还未经训练。

训练网络

训练网络在Matlab中是一件非常简单的事情，我们只需要配置好训练参数就好了：

options = trainingOptions('sgdm',...
    'MiniBatchSize',10, ...
    'MaxEpochs',6, ...
    'InitialLearnRate',1e-4, ...
    'ValidationData',idmsValidation, ...
    'ValidationFrequency',3, ...
    'ValidationPatience',Inf, ...
    'Verbose',false, ...
    'Plots','training-progress');

关于训练的参数，咱们以后再详细介绍，这里需要了解的一点就是，由于神经网络参数众多，而且是一个典型的非凸优化问题，所以，训练的参数选择相当重要。

netTransfer = trainNetwork(imdsTrain,layers,options);

运行完上面一句就可以得到netTransfer作为迁移网络。

验证网络

我们使用验证集去测试神经网络的有效性：

YPred = classify(netTransfer,idmsValidation);
accuracy = mean(YPred == idmsValidation.Labels)

结果表明我们的训练出来的神经网络具有良好的泛化性。

总结

从上面的编程过程中，可以发现Matlab神经网络工具箱已经帮助我们做好了很多工作，我们只需要去设计网络即可，然后训练即可，把广大程序员从无边无际的codeing中解放出来。

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！