在工作区中，提取 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）。

打开深度网络设计器。

从预训练网络列表中选择 SqueezeNet，然后点击打开。

深度网络设计器将显示整个网络的缩小视图。

浏览网络图。要使用鼠标放大，请使用 Ctrl + 滚轮。要平移，请使用箭头键，或按住滚轮并拖动鼠标。选择一个层以查看其属性。取消选择所有层，以在属性窗格中查看网络摘要。

要将数据加载到深度网络设计器中，请在数据选项卡上，点击导入数据 > 导入图像分类数据。

在数据源列表中，选择文件夹。点击浏览并选择提取的 MerchData 文件夹。

将数据分为 70% 用作训练数据，30% 用作验证数据。

指定要对训练图像执行的增强操作。数据增强有助于防止网络过拟合和记忆训练图像的具体细节。对于此示例，在 x 轴上进行随机翻转，在 [-90,90] 度范围内进行随机旋转，在 [1,2] 范围内进行随机重新缩放。

点击导入将数据导入深度网络设计器。

要重新训练 SqueezeNet 以对新图像进行分类，请替换网络的最后一个二维卷积层和最终分类层。在 SqueezeNet 中，这两个层的名称分别为 'conv10' 和 'ClassificationLayer_predictions'。

在设计器窗格上，将一个新的 convolution2dLayer 拖到画布上。要匹配原始卷积层，请将 FilterSize 设置为 1,1。将 NumFilters 编辑为新数据中的类数，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。

删除最后一个二维卷积层，改为连接新层。

替换输出层。滚动到网络层库的末尾，将一个新的 classificationLayer 拖到画布上。删除原始输出层，并在其位置连接新层。

要选择训练选项，请选择训练选项卡，然后点击训练选项。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。在上一步中，您增大了二维卷积层的学习率因子，以加快新的最终层中的学习速度。这种学习率设置组合只会加快新层中的学习速度，对于其他层则会减慢学习速度。

对于此示例，将 InitialLearnRate 设置为 0.0001，MaxEpochs 设置为 8，ValidationFrequency 设置为 5。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。

要使用指定的训练选项训练网络，请点击确定，然后点击训练。

深度网络设计器允许您可视化和监控训练进度。然后，如果需要，您可以编辑训练选项并重新训练网络。

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。查看 MATLAB 代码，了解如何以编程方式准备训练数据、创建网络架构和训练网络。

加载一个新图像以使用经过训练的网络对其进行分类。

调整测试图像的大小以匹配网络输入大小。

使用经过训练的网络对测试图像进行分类。