咱们继续入门课程系列，这次是关于迁移学习（Transfer Learning）的故事。
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，这里还有一个GoogleNet的例子：http://ww2.mathworks.cn/help/nnet/examples/classify-image-using-googlenet.html
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。