%%?本程序由博客凌青羽：https://blog.csdn.net/qq_35759272/article/details/109252165改寫
%%?加載數(shù)據(jù)集
unzip（‘MerchData.zip‘）
%unzip?提取zip文件的內(nèi)容
%Location?=?‘E:\Image_Set‘;%使用自己的數(shù)據(jù)集進行訓(xùn)練
imds?=?imageDatastore（‘MerchData‘?...%若使用自己的數(shù)據(jù)集，將其改為Location
????‘IncludeSubfolders‘true?...
????‘LabelSource‘‘foldernames‘）;
%imageDatastore?圖像數(shù)據(jù)的數(shù)據(jù)存儲???/...續(xù)行
%???imds?=?imageDatastore（locationNameValue）
%???location-要包括在數(shù)據(jù)存儲中的文件或文件夾
%???Name-相對組參數(shù)
%?????‘IncludeSubfolders‘-子文件夾包含標(biāo)記
%??????????ture?or?false??|?0?or?1??（逗號隔開）
%??????????————指定ture可包含每個文件夾中的所有文件和子文件夾，指定false則僅包含每個文件夾中的文件
%??????‘FileExtensions‘-圖像文件擴展名
%??????‘AlternateFileSystemRoots‘-備用文件系統(tǒng)根路徑
%???????‘LabelSource‘-提供標(biāo)簽數(shù)據(jù)的源
%?????????????指定為以逗號分隔的對組，如果指定了‘none‘，則Labels屬性為空。如果指定了‘foldernames‘將根據(jù)文件夾名稱分配標(biāo)簽并
%??????????????存儲在Labels屬性中?

[imdsTrainimdsValidation]?=?splitEachLabel（imds0.7‘randomized‘）;%隨機拆分imds中的文件，前70%放入imdsTrain中，剩余30%翻入imdsValidation中
%??splitEachLabel-按比例拆分ImageDatastor標(biāo)簽
%??[imds1imds2]?=?splitEachLabel（imdsp）
%???????可將imds中的圖像文件拆分為兩個新的數(shù)據(jù)存儲，imds1和imds2.新的數(shù)據(jù)存儲imds1包含每個標(biāo)簽前百分之p個文件，imds2中包含剩余的文件
?
numTrainImages?=?numel（imdsTrain.Labels）;%numel數(shù)組中的元素數(shù)目

%隨機顯示數(shù)據(jù)集中的圖像
%?idx?=?randperm（numTrainImages16）;
%?%?randperm——隨機置換
%?%???p?=?randperm（n，k）返回行向量，其中包含1到n自檢隨機選擇的k個唯一整數(shù)
%?figure
%?for?i?=?1:16
%?????subplot（44i）
%?????I?=?readimage（imdsTrainidx（i））;
%?%?????img?=?readimage（imds，i）——從數(shù)據(jù)存儲imds中讀取地i個圖像文件并返回圖像數(shù)據(jù)img
%?????imshow（I）
%?end

%%?加載預(yù)訓(xùn)練網(wǎng)絡(luò)
Alexnet_Train?=?alexnet;
%net.layers???%展示這個網(wǎng)絡(luò)架構(gòu)，這個網(wǎng)絡(luò)有5個卷積層和3個全連接層
inputSize?=?Alexnet_Train.layers（1）.InputSize;??
%??第一層是圖像輸入層，要求輸入圖像的尺寸為227*227*3?這里的3是顏色通道的數(shù)字

%%?替換最后三層
layersTransfer?=?Alexnet_Train.layers（1:end-3）;
%?Extract?all?layers?exceptthe?last?three?from?the?pretrained?network
%?預(yù)處理網(wǎng)絡(luò)的最后三層被配置為1000個類。這三層必須針對新的分類問題進行調(diào)整
numClasses?=?numel（categories（imdsTrain.Labels））;%數(shù)據(jù)集中類的數(shù)目
layers?=?[
????layersTransfer
????fullyConnectedlayer（numClasses‘WeightLearnRateFactor‘20‘BiasLearnRateFactor‘20）
????softmaxlayer
????classificationlayer];
%????Transfer?the?layers?to?the?new?classification?task?by?replacing?the?last?three?layers?with?a?fully?connected?layer
%a?softmax?layer?and?a?classification?output?layer.?Specify?the?options?of?the?new?fully?connected?layer?according?
%to?the?new?data.?Set?the?fully?connected?layer?to?have?the?same?size?as?the?number?of?classes?in?the?new?data.?
%To?learn?faster?in?the?new?layers?than?in?the?transferred?layers?increase?the?WeightLearnRateFactor?and?
%BiasLearnRateFactor?values?of?the?fully?connected?layer.
%?????通過將最后三個圖層替換為完全連接圖層，softmax圖層和分類輸出圖層，將圖層轉(zhuǎn)移到新的分類任務(wù)。根據(jù)新的數(shù)據(jù)指定新的完全連接層的
%?選項。將完全連接層設(shè)置為與新數(shù)據(jù)中的類數(shù)大小相同。要在新層中比傳輸層更快的學(xué)習(xí)，增加完全連接層的WeightLearnRateFactor?和?
%?BiasLearnRateFactor的值

%%?本程序由博客凌青羽：https://blog.csdn.net/qq_35759272/article/details/109252165改寫
%%?訓(xùn)練網(wǎng)絡(luò)

%用于數(shù)據(jù)增強，增加數(shù)據(jù)量
%????The?network?requires?input?images?of?size?227-by-227-by-3?but?the?images?in?the?image?datastores?have?different?sizes.?
%?Use?an?augmented?image?datastore?t

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----

?????文件??????15422??2020-09-22?19:57??2020研究生數(shù)學(xué)建模——大霧能見度估計與預(yù)測（E題）AlexNet深度網(wǎng)絡(luò)解法程序（凌青羽）\alexnet.mlpkginstall

?????文件??????12413??2020-10-29?10:00??2020研究生數(shù)學(xué)建模——大霧能見度估計與預(yù)測（E題）AlexNet深度網(wǎng)絡(luò)解法程序（凌青羽）\AlexNet_test.m

?????文件???23449715??2020-09-22?21:42??2020研究生數(shù)學(xué)建模——大霧能見度估計與預(yù)測（E題）AlexNet深度網(wǎng)絡(luò)解法程序（凌青羽）\MerchData.zip

?????目錄??????????0??2020-10-29?10:03??2020研究生數(shù)學(xué)建模——大霧能見度估計與預(yù)測（E題）AlexNet深度網(wǎng)絡(luò)解法程序（凌青羽）

-----------?---------??----------?-----??----

?????????????23477550????????????????????4