迁移学习通过对预训练网络进行微调，使深度学习模型能在少量数据下快速适应新任务，类似于“举一反三”，而不需要从头训练。本文使用matlab自带的深度网络设计器，可以便捷地修改预训练网络进行迁移学习，通过对预训练网络的最后一层进行解锁，调高学习率，使新层中的学习速度快于迁移层的学习速度，即可输入新数据，完成迁移学习的训练。
在实际工程应用中，构建并训练一个大规模的卷积神经网络是比较复杂的，需要大量的数据以及高性能的硬件。迁移学习则是“另辟蹊径”，将训练好的典型的网络稍加改进，用少量的数据进行训练并加以应用，将一个预先训练好的网络作为学习新任务的起点。利用迁移学习对网络进行微调，通常比从头开始训练一个随机初始化权重的网络要快得多、容易得多。使用较少数量的训练图像，就能将学习到的特征快速迁移到新任务中。
1.使用的数据
本文使用的数据集为 MathWorks Merch 数据集，这是包含 75 幅 MathWorks 商品图像的小型数据集，这些商品分属五个不同类（瓶盖、魔方、扑克牌、螺丝刀和手电筒）。数据的排列使得图像位于对应于这五个类的子文件夹中。
folderName = "MerchData";
unzip("MerchData.zip",folderName);
创建一个图像数据存储（Datastore），通过图像数据存储可以存储大图像数据集合，包括无法放入内存的数据，并在神经网络的训练过程中高效分批读取图像。对图像文件夹建立子文件夹，使用imageDatastore，可以将子文件夹名称转换为图像标签。
imds = imageDatastore(folderName, ...IncludeSubfolders=true, ...LabelSource="foldernames");
显示一些示例图像：
numImages = numel(imds.Labels);
idx = randperm(numImages,16);
I = imtile(imds,Frames=idx);
figure
imshow(I)
2.提取数据
提取类名称和类数目：
classNames = categories(imds.Labels);
numClasses = numel(classNames)
numClasses = 5
将数据划分为训练、验证和测试数据集。将 70% 的图像用于训练，15% 的图像用于验证，15% 的图像用于测试。splitEachLabel 函数将图像数据存储拆分为两个新数据存储。
[imdsTrain,imdsValidation,imdsTest] = splitEachLabel(imds,0.7,0.15,0.15,"randomized");
3.选择预训练网络
3.1 深度网络设计器
从命令行打开深度网络设计器App：
deepNetworkDesigner
深度网络设计器提供一些精选的预训练图像分类网络，这些网络已学习适用于各种图像的丰富特征表示。如果您的图像与最初用于训练网络的图像相似，迁移学习效果最好。如果您的训练图像是像 ImageNet 数据库中那样的自然图像，则任一预训练网络都合适。了解有哪些预训练深度神经网络，请参阅预训练的深度神经网络。
如果数据与 ImageNet 数据相差很大（例如，如果您有很小的图像、频谱图或非图像数据），训练新网络可能效果更好。选择SqueezeNet网络：
3.2 浏览网络
深度网络设计器在设计器窗格中显示整个网络的缩小视图。
选择图像输入层 'input'，可以看到该网络的输入大小为 227×227×3 像素。
将输入大小保存在变量 inputSize 中：
inputSize = [227 227 3];4.准备要训练的网络
要使用预训练网络进行迁移学习，更改类的数量以匹配新数据集。首先，找到网络中的最后一个可学习层。对于 SqueezeNet，最后一个可学习层是最后一个卷积层，'conv10'。选择 'conv10' 层。在属性窗格的底部，点击解锁层。在出现的警告对话框中，点击仍要解锁，这将解锁层属性，以便使其适应新任务。
在 R2023b 之前：要使网络适应新数据，替换层而不是解锁层。在新的卷积二维层中，将 FilterSize 设置为 [1 1]。
NumFilters 属性定义用于分类问题的类的数量，将 NumFilters 更改为新数据中的类数量，此示例中为 5。
通过将 WeightLearnRateFactor 和 BiasLearnRateFactor 设置为 10 来更改学习率，使新层中的学习速度快于迁移层的学习速度。
要检查网络是否准备好进行训练，点击分析按钮，深度学习网络分析器报告零错误或警告，说明网络已准备就绪，可以开始进行训练。
要导出网络，请点击导出，该 App 将网络保存在变量 net_1 中。
数据存储中图像的大小可以不同，要自动调整训练图像的大小，请使用增强的图像数据存储。数据增强还有助于防止网络过拟合和记忆训练图像的具体细节。指定要对训练图像额外执行的这些增强操作：沿垂直轴随机翻转训练图像，以及在水平和垂直方向上随机平移训练图像最多 30 个像素。
pixelRange = [-30 30];imageAugmenter = imageDataAugmenter( ...RandXReflection=true, ...RandXTranslation=pixelRange, ...RandYTranslation=pixelRange);augimdsTrain = augmentedImageDatastore(inputSize(1:2),imdsTrain, ...DataAugmentation=imageAugmenter);
对于验证集和测试集，只调整图像大小，而不进行其他预处理操作。
augimdsValidation = augmentedImageDatastore(inputSize(1:2),imdsValidation);
augimdsTest = augmentedImageDatastore(inputSize(1:2),imdsTest);
5.指定训练选项
指定训练选项，在选项中进行选择需要经验分析。
-
使用 Adam 优化器进行训练。
-
将初始学习率设置为较小的值以减慢迁移的层中的学习速度。
-
指定少量轮数。一轮训练是对整个训练数据集的一个完整训练周期。对于迁移学习，所需的训练轮数相对较少。
-
指定验证数据和验证频率，以便每经过一轮训练就计算一次基于验证数据的准确度。
-
指定mini batch size，即每次迭代中使用多少个图像。为了确保在每轮训练中都使用整个数据集，请设置mini batch size以均分训练样本的数量。
-
在图中显示训练进度并监控准确度度量。
-
禁用详尽输出。
options = trainingOptions("adam", ...InitialLearnRate=0.0001, ...MaxEpochs=8, ...ValidationData=imdsValidation, ...ValidationFrequency=5, ...MiniBatchSize=11, ...Plots="training-progress", ...Metrics="accuracy", ...Verbose=false);
6.训练和测试网络
使用 trainnet 函数训练神经网络，对于分类任务，损失函数使用交叉熵损失。
net = trainnet(imdsTrain,net_1,"crossentropy",options);
对测试图像进行分类，要使用多个观测值进行预测，使用 minibatchpredict 函数；要将预测分数转换为标签，使用 scores2label 函数。
YTest = minibatchpredict(net,augimdsTest);
YTest = scores2label(YTest,classNames);
在混淆图中可视化分类准确度：
TTest = imdsTest.Labels;
figure
confusionchart(TTest,YTest);
7.使用新数据进行预测
对一个图像进行分类，从 JPEG 文件中读取一个图像，调整其大小，并将其转换为单精度数据类型。
im = imread("MerchDataTest.jpg");
im = imresize(im,inputSize(1:2));
X = single(im);
对图像进行分类，要使用单个观测值进行预测，使用 predict 函数；要使用 GPU，先将数据转换为 gpuArray。
if canUseGPUX = gpuArray(X);
end
scores = predict(net,X);
[label,score] = scores2label(scores,classNames);
显示具有预测标签和对应分数的图像：
figure
imshow(im)
title(string(label) + " (Score: " + gather(score) + ")")
