简介本资源是一份面向本科及硕士阶段科研学习者的迁移学习分类识别实践案例基于MATLAB平台实现适用于智能算法、图像识别与模式分类等方向的教学与项目复现。压缩包共11个文件含9个核心MATLAB函数.m用于构建迁移学习模型、环境初始化、奖励计算与Q值更新等关键环节1个说明文档.txt提供运行指引1张结果可视化图.png直观展示分类效果整体仅26KB轻量易部署。已有276人学习下载资源适配MATLAB 2014a/2019a版本附完整可运行代码与实测结果无需额外配置即可快速验证迁移学习在CartPole控制任务中的分类决策机制特别适合初涉深度强化学习与迁移建模的学习者理解网络微调、特征重用与策略映射的实现逻辑。1. 迁移学习不是“拿来就用”Matlab里跑通分类识别必须先理清三件事你下载了一个名为“基于迁移学习的分类识别附matlab代码运行结果.zip”的压缩包双击解压后发现main.m能运行但报错No network named alexnet founddata/下只有 3 类共 87 张图却提示Validation accuracy: 92.1%results/里存着.mat和.png但混淆矩阵坐标轴标签全是英文缩写。这不是代码有问题而是你跳过了迁移学习在 Matlab 中落地的三个隐性门槛预训练网络的版本兼容性、数据集结构与 ImageDatastore 的绑定逻辑、以及特征提取与微调的切换开关。本篇不讲“什么是迁移学习”只聚焦于——如何让这个 zip 包在你的 MatlabR2020a 及以上中真正可复现、可调试、可替换模型、可改类别数。适合正在处理工业缺陷检测、遥感图像分类或医学影像初筛的工程师尤其当你手头只有几十张标注图、又不想从零训练 ResNet-50 时这套流程比调参更关键。2. 选对预训练网络Matlab Deep Learning Toolbox 中的 6 种主流模型及其适用边界Matlab 的deepNetworkDesigner界面很炫但实际项目中模型选择不是看层数多少而是看输入尺寸、参数量、GPU 显存占用和 finetune 稳定性四者的平衡。该 zip 包默认用alexnet但它在 R2023b 后已被标记为 legacy且其 227×227 输入对小样本易过拟合。我们需根据实际数据规模和硬件条件重新评估。2.1 预训练网络的 Matlab 内置支持矩阵R2020a–R2024a模型名输入尺寸参数量百万GPU 显存FP16, batch16是否支持trainNetwork微调典型适用场景alexnet227×22760~1.2 GB✅教学演示、极小数据集50 张/类vgg16224×224138~2.8 GB✅中等数据集200–1000 张/类需剪枝resnet18224×22411~0.9 GB✅✅推荐小样本50–300 张/类嵌入式部署友好resnet50224×22425~1.6 GB✅主流选择平衡精度与速度mobilenetv2224×2243.5~0.4 GB✅移动端/边缘设备实时性要求高densenet201224×22420~2.1 GB⚠️易显存溢出大数据集5000 张/类精度优先提示resnet18是该 zip 包最稳妥的替代选项。它比alexnet表达能力更强比resnet50显存压力小 40%且在 Matlab 中所有 R2018b 版本均原生支持无需额外下载模型文件。2.2 替换原始代码中的网络定义从alexnet到resnet18的三步修改原始main.m中通常包含类似以下代码% 原始代码问题点未指定版本且未冻结底层 net alexnet; lgraph layerGraph(net);必须改为% ✅ 步骤1显式加载 resnet18并冻结前 10 层防止小样本下底层权重崩坏 net resnet18; % R2019a 自带无需 downloadnet lgraph layerGraph(net); % ✅ 步骤2替换最后的全连接层和分类层关键原代码常漏掉此步 numClasses 3; % 根据你的 data/ 目录子文件夹数量确定 newFcLayer fullyConnectedLayer(numClasses, Name, fc_new); newClassLayer classificationLayer(Name, classoutput); % ✅ 步骤3断开原 resnet18 的最后两层接入新层 lgraph removeLayers(lgraph, {fc1000,prob}); lgraph addLayers(lgraph, newFcLayer); lgraph addLayers(lgraph, newClassLayer); lgraph connectLayers(lgraph, relu_4_2, fc_new); % 注意resnet18 最后一个 relu 名为 relu_4_2 lgraph connectLayers(lgraph, fc_new, classoutput);参数说明relu_4_2是resnet18的最后一个激活层名称可通过analyzeNetwork(net)查看完整层名列表fullyConnectedLayer(numClasses, ...)中numClasses必须与imds.Labels的唯一值数量一致否则训练会报Invalid label错误removeLayers必须在addLayers之前执行否则connectLayers会找不到源层。2.3 验证网络结构是否正确用analyzeNetwork检查输出层维度运行修改后的网络构建代码后立即执行analyzeNetwork(lgraph);观察弹出窗口中最后一层classoutput的OutputSize是否等于你的类别数如3。若显示1000说明removeLayers未生效或connectLayers指向错误层——此时需用lgraph.Layers手动打印所有层名排查。3. 数据准备Image Datastore 的路径规范、标签自动推导与 train/val 划分硬约束该 zip 包的data/目录结构大概率是data/class1/,data/class2/,data/class3/但 Matlab 的imageDatastore对路径和标签有不可绕过的解析规则。直接imds imageDatastore(data)会导致标签全为unknown或顺序错乱。3.1 构建可追溯的 ImageDatastore必须启用IncludeSubfolders和LabelSource% ❌ 错误写法标签为空 imds imageDatastore(data); % ✅ 正确写法显式声明子文件夹即类别且按字母序自动排序 imds imageDatastore(data, ... IncludeSubfolders, true, ... LabelSource, foldernames, ... FileExtensions, {.jpg,.jpeg,.png}); % 显式限定扩展名避免 .DS_Store 干扰 % ✅ 强制按文件夹名排序防止 class3 在 class1 前导致标签索引错位 imds.Labels categorical(imds.Labels); [~, idx] sort(unique(imds.Labels)); imds.Labels imds.Labels(idx);关键逻辑说明LabelSource, foldernames告诉 Matlab每个子文件夹名就是类别标签categorical()sort(unique())确保标签顺序为class1,class2,class3而非系统随机读取的class3,class1,class2——这直接影响classificationLayer的Classes属性和最终混淆矩阵行列顺序FileExtensions过滤非图像文件避免 Windows 的Thumbs.db或 macOS 的.DS_Store导致readimage报错。3.2 train/val 划分必须用splitEachLabel而非trainingSet/validationSet原始代码可能用splitlabels或手动切分但小样本下极易导致某类全部进训练集、验证集为空。正确做法是% ✅ 按每类固定比例划分推荐 70%/30%确保每类都有样本 [imdsTrain, imdsVal] splitEachLabel(imds, 0.7, randomized); % ✅ 验证划分结果必须 fprintf(Training set: %d images (%s)\n, numel(imdsTrain.Labels), join(unique(imdsTrain.Labels), ,)); fprintf(Validation set: %d images (%s)\n, numel(imdsVal.Labels), join(unique(imdsVal.Labels), ,));输出应类似Training set: 60 images (class1, class2, class3) Validation set: 27 images (class1, class2, class3)注意若Validation set中某类缺失如只显示class1, class2说明该类原始图像数 2 张0.7×21.4→向下取整为 1验证集得 0此时必须人工补图或改用splitEachLabel(imds, 5, randomized)按每类固定 5 张进验证集。3.3 数据增强小样本分类的精度提升关键不是可选项该 zip 包常忽略数据增强导致验证准确率波动极大±8%。必须添加轻量级增强% ✅ 定义训练增强仅用于训练集 augmenter imageDataAugmenter(... RandXReflection, true, ... % 水平翻转对称物体有效 RandRotation, [-5 5], ... % ±5度旋转防轻微角度偏移 RandXScale, [0.95 1.05], ... % X方向缩放±5%模拟距离变化 RandYScale, [0.95 1.05]); % Y方向同上 % ✅ 应用到训练集 imdsTrain augmentedImageDatastore([224 224], imdsTrain, DataAugmentation, augmenter); % ✅ 验证集仅做中心裁剪保持评估一致性 imdsVal augmentedImageDatastore([224 224], imdsVal);参数依据RandXReflection对工业零件、遥感建筑等左右对称目标提升显著[-5 5]旋转范围足够覆盖拍摄抖动过大如 ±30°会使文字类标签失真[0.95 1.05]缩放模拟镜头畸变比RandZoom更稳定避免黑边填充。4. 训练配置trainingOptions的 5 个必调参数与早停机制实现Matlab 默认的trainingOptions(sgdm)在迁移学习中极易发散。该 zip 包若未设置InitialLearnRate常因学习率过高导致 loss 在前 10 epoch 爆炸100。4.1 学习率策略分段衰减 微调层差异化% ✅ 关键底层冻结时学习率设为 0.001解冻后降至 0.0001 opts trainingOptions(sgdm, ... InitialLearnRate, 1e-3, ... % 冻结时主干学习率 LearnRateSchedule, piecewise, ... % 分段衰减 LearnRateDropFactor, 0.1, ... % 每次衰减为原 1/10 LearnRateDropPeriod, 5, ... % 每 5 epoch 衰减一次 MaxEpochs, 20, ... % 小样本不宜过长 MiniBatchSize, 16, ... % 根据 GPU 显存调整见表2.1 Shuffle, every-epoch, ... % 防止批次内同类扎堆 Verbose, true, ... % 实时监控 loss Plots, training-progress, ... % 可视化收敛性 ValidationData, imdsVal, ... % 必须指定 ValidationFrequency, 10, ... % 每 10 batch 验证一次 OutputNetwork, best-validation-loss, ... % 保存最优模型 CheckpointPath, checkpoints); % 自动保存断点参数逻辑InitialLearnRate1e-3是冻结微调的黄金起点1e-2易震荡1e-4收敛过慢LearnRateDropPeriod5配合MaxEpochs20确保在第 5/10/15 epoch 主动降学习率避免后期震荡OutputNetwork, best-validation-loss比last-iteration更可靠尤其当 loss 曲线出现“U型”时。4.2 解冻微调何时放开底层用验证 loss 平稳性判断冻结训练完成后如trainNetwork返回trainedNet需判断是否解冻% ✅ 步骤1检查验证 loss 是否连续 3 次下降 0.001平稳 valLossHistory trainedNet.TrainingHistory.ValidationLoss; if valLossHistory(end) 0.1 (valLossHistory(end) - valLossHistory(end-2)) -0.001 fprintf(Validation loss stabilized. Proceeding to fine-tuning.\n); % ✅ 步骤2解冻最后 3 个残差块resnet18 中为 layer_3 及之后 lgraphFT layerGraph(trainedNet.Layers); layersToUnfreeze {layer_3,layer_4,fc_new,classoutput}; for i 1:length(layersToUnfreeze) idx find(strcmp({lgraphFT.Layers.Name}, layersToUnfreeze{i})); if ~isempty(idx) lgraphFT.Layers(idx).Learnable true; end end % ✅ 步骤3重设更小学习率并继续训练 optsFT trainingOptions(sgdm, ... InitialLearnRate, 1e-4, ... % 解冻后学习率降 10 倍 MaxEpochs, 10, ... MiniBatchSize, 8, ... % 解冻后显存压力增大batch 减半 OutputNetwork, best-validation-loss); trainedNetFT trainNetwork(imdsTrain, lgraphFT, optsFT); else fprintf(Validation loss not stable. Keep frozen weights.\n); trainedNetFT trainedNet; end判断依据valLossHistory(end) 0.1确保基础模型已收敛交叉熵 loss 0.1 对应约 90% 准确率 -0.001表示 loss 变化趋近于 0而非持续下降——后者说明仍有优化空间可继续冻结训练。5. 结果解析与部署混淆矩阵生成、特征可视化及.mat模型导出规范该 zip 包的results/目录下.mat文件常被误认为“已训练好模型”实则只是trainingOptions的历史记录。真正可部署的是trainedNet对象需按 Matlab 工业标准导出。5.1 生成可读混淆矩阵用plotconfusion替代原始imagesc原始代码可能用imagesc绘制混淆矩阵但无类别标签和归一化。正确做法% ✅ 加载验证集预测结果 [YPred, scores] classify(trainedNetFT, imdsVal); YActual imdsVal.Labels; % ✅ 生成归一化混淆矩阵按行百分比即每类识别率 figure; cm plotconfusion(YActual, YPred); cm.Title Confusion Matrix (Normalized by Row); cm.XLabel Predicted Labels; cm.YLabel True Labels; % ✅ 提取数值并保存为表格供报告引用 cmTable confusionmat(YActual, YPred, order, imdsTrain.Labels); cmNorm bsxfun(rdivide, cmTable, sum(cmTable, 2)); % 归一化 fprintf(\nPer-class accuracy:\n); for i 1:length(imdsTrain.Labels) fprintf(%s: %.1f%%\n, string(imdsTrain.Labels(i)), cmNorm(i,i)*100); end输出示例Per-class accuracy: class1: 94.7% class2: 88.2% class3: 92.3%5.2 特征可视化用featureMap验证迁移学习有效性验证模型是否真正学到判别特征而非记忆背景% ✅ 提取倒数第二层全局平均池化前的特征图 featureLayer avgpool; % resnet18 中为 avgpool act activations(trainedNetFT, imdsVal.Files(1), featureLayer, OutputFormat, channels); % ✅ 取前 16 个通道可视化避免信息过载 figure; for c 1:16 subplot(4,4,c); imagesc(squeeze(act(c,:,:))); axis off; title(sprintf(Channel %d, c)); end title(Feature Maps from avgpool layer);观察要点若多数通道为均匀灰度无纹理响应说明迁移特征未激活需检查数据增强或学习率若某通道在目标物体区域明显亮起如 class1 的齿轮齿尖证明迁移成功。5.3 模型导出.mat文件必须含trainedNet对象而非仅权重% ✅ 正确导出保存完整网络对象含预处理、层结构、权重 save(myClassifier.mat, trainedNetFT, -v7.3); % -v7.3 支持大文件 % ✅ 部署时加载无需重新训练 loadedNet load(myClassifier.mat); classifier loadedNet.trainedNetFT; % 注意变量名匹配 % ✅ 单图预测工业现场常用 img imread(test.jpg); imgResized imresize(img, [224 224]); label classify(classifier, imgResized); fprintf(Predicted class: %s\n, string(label));关键约束必须用-v7.3参数否则trainedNet对象超过 2GB 时保存失败load后变量名与save时一致原始 zip 包常忽略此细节导致Undefined function or variable trainedNet错误classify输入必须是uint8或single图像double图像需先im2uint8转换。本文还有配套的精品资源点击获取 Matlab迁移学习实战：预训练模型替换与小样本分类全流程
简介本资源是一份面向本科及硕士阶段科研学习者的迁移学习分类识别实践案例基于MATLAB平台实现适用于智能算法、图像识别与模式分类等方向的教学与项目复现。压缩包共11个文件含9个核心MATLAB函数.m用于构建迁移学习模型、环境初始化、奖励计算与Q值更新等关键环节1个说明文档.txt提供运行指引1张结果可视化图.png直观展示分类效果整体仅26KB轻量易部署。已有276人学习下载资源适配MATLAB 2014a/2019a版本附完整可运行代码与实测结果无需额外配置即可快速验证迁移学习在CartPole控制任务中的分类决策机制特别适合初涉深度强化学习与迁移建模的学习者理解网络微调、特征重用与策略映射的实现逻辑。1. 迁移学习不是“拿来就用”Matlab里跑通分类识别必须先理清三件事你下载了一个名为“基于迁移学习的分类识别附matlab代码运行结果.zip”的压缩包双击解压后发现main.m能运行但报错No network named alexnet founddata/下只有 3 类共 87 张图却提示Validation accuracy: 92.1%results/里存着.mat和.png但混淆矩阵坐标轴标签全是英文缩写。这不是代码有问题而是你跳过了迁移学习在 Matlab 中落地的三个隐性门槛预训练网络的版本兼容性、数据集结构与 ImageDatastore 的绑定逻辑、以及特征提取与微调的切换开关。本篇不讲“什么是迁移学习”只聚焦于——如何让这个 zip 包在你的 MatlabR2020a 及以上中真正可复现、可调试、可替换模型、可改类别数。适合正在处理工业缺陷检测、遥感图像分类或医学影像初筛的工程师尤其当你手头只有几十张标注图、又不想从零训练 ResNet-50 时这套流程比调参更关键。2. 选对预训练网络Matlab Deep Learning Toolbox 中的 6 种主流模型及其适用边界Matlab 的deepNetworkDesigner界面很炫但实际项目中模型选择不是看层数多少而是看输入尺寸、参数量、GPU 显存占用和 finetune 稳定性四者的平衡。该 zip 包默认用alexnet但它在 R2023b 后已被标记为 legacy且其 227×227 输入对小样本易过拟合。我们需根据实际数据规模和硬件条件重新评估。2.1 预训练网络的 Matlab 内置支持矩阵R2020a–R2024a模型名输入尺寸参数量百万GPU 显存FP16, batch16是否支持trainNetwork微调典型适用场景alexnet227×22760~1.2 GB✅教学演示、极小数据集50 张/类vgg16224×224138~2.8 GB✅中等数据集200–1000 张/类需剪枝resnet18224×22411~0.9 GB✅✅推荐小样本50–300 张/类嵌入式部署友好resnet50224×22425~1.6 GB✅主流选择平衡精度与速度mobilenetv2224×2243.5~0.4 GB✅移动端/边缘设备实时性要求高densenet201224×22420~2.1 GB⚠️易显存溢出大数据集5000 张/类精度优先提示resnet18是该 zip 包最稳妥的替代选项。它比alexnet表达能力更强比resnet50显存压力小 40%且在 Matlab 中所有 R2018b 版本均原生支持无需额外下载模型文件。2.2 替换原始代码中的网络定义从alexnet到resnet18的三步修改原始main.m中通常包含类似以下代码% 原始代码问题点未指定版本且未冻结底层 net alexnet; lgraph layerGraph(net);必须改为% ✅ 步骤1显式加载 resnet18并冻结前 10 层防止小样本下底层权重崩坏 net resnet18; % R2019a 自带无需 downloadnet lgraph layerGraph(net); % ✅ 步骤2替换最后的全连接层和分类层关键原代码常漏掉此步 numClasses 3; % 根据你的 data/ 目录子文件夹数量确定 newFcLayer fullyConnectedLayer(numClasses, Name, fc_new); newClassLayer classificationLayer(Name, classoutput); % ✅ 步骤3断开原 resnet18 的最后两层接入新层 lgraph removeLayers(lgraph, {fc1000,prob}); lgraph addLayers(lgraph, newFcLayer); lgraph addLayers(lgraph, newClassLayer); lgraph connectLayers(lgraph, relu_4_2, fc_new); % 注意resnet18 最后一个 relu 名为 relu_4_2 lgraph connectLayers(lgraph, fc_new, classoutput);参数说明relu_4_2是resnet18的最后一个激活层名称可通过analyzeNetwork(net)查看完整层名列表fullyConnectedLayer(numClasses, ...)中numClasses必须与imds.Labels的唯一值数量一致否则训练会报Invalid label错误removeLayers必须在addLayers之前执行否则connectLayers会找不到源层。2.3 验证网络结构是否正确用analyzeNetwork检查输出层维度运行修改后的网络构建代码后立即执行analyzeNetwork(lgraph);观察弹出窗口中最后一层classoutput的OutputSize是否等于你的类别数如3。若显示1000说明removeLayers未生效或connectLayers指向错误层——此时需用lgraph.Layers手动打印所有层名排查。3. 数据准备Image Datastore 的路径规范、标签自动推导与 train/val 划分硬约束该 zip 包的data/目录结构大概率是data/class1/,data/class2/,data/class3/但 Matlab 的imageDatastore对路径和标签有不可绕过的解析规则。直接imds imageDatastore(data)会导致标签全为unknown或顺序错乱。3.1 构建可追溯的 ImageDatastore必须启用IncludeSubfolders和LabelSource% ❌ 错误写法标签为空 imds imageDatastore(data); % ✅ 正确写法显式声明子文件夹即类别且按字母序自动排序 imds imageDatastore(data, ... IncludeSubfolders, true, ... LabelSource, foldernames, ... FileExtensions, {.jpg,.jpeg,.png}); % 显式限定扩展名避免 .DS_Store 干扰 % ✅ 强制按文件夹名排序防止 class3 在 class1 前导致标签索引错位 imds.Labels categorical(imds.Labels); [~, idx] sort(unique(imds.Labels)); imds.Labels imds.Labels(idx);关键逻辑说明LabelSource, foldernames告诉 Matlab每个子文件夹名就是类别标签categorical()sort(unique())确保标签顺序为class1,class2,class3而非系统随机读取的class3,class1,class2——这直接影响classificationLayer的Classes属性和最终混淆矩阵行列顺序FileExtensions过滤非图像文件避免 Windows 的Thumbs.db或 macOS 的.DS_Store导致readimage报错。3.2 train/val 划分必须用splitEachLabel而非trainingSet/validationSet原始代码可能用splitlabels或手动切分但小样本下极易导致某类全部进训练集、验证集为空。正确做法是% ✅ 按每类固定比例划分推荐 70%/30%确保每类都有样本 [imdsTrain, imdsVal] splitEachLabel(imds, 0.7, randomized); % ✅ 验证划分结果必须 fprintf(Training set: %d images (%s)\n, numel(imdsTrain.Labels), join(unique(imdsTrain.Labels), ,)); fprintf(Validation set: %d images (%s)\n, numel(imdsVal.Labels), join(unique(imdsVal.Labels), ,));输出应类似Training set: 60 images (class1, class2, class3) Validation set: 27 images (class1, class2, class3)注意若Validation set中某类缺失如只显示class1, class2说明该类原始图像数 2 张0.7×21.4→向下取整为 1验证集得 0此时必须人工补图或改用splitEachLabel(imds, 5, randomized)按每类固定 5 张进验证集。3.3 数据增强小样本分类的精度提升关键不是可选项该 zip 包常忽略数据增强导致验证准确率波动极大±8%。必须添加轻量级增强% ✅ 定义训练增强仅用于训练集 augmenter imageDataAugmenter(... RandXReflection, true, ... % 水平翻转对称物体有效 RandRotation, [-5 5], ... % ±5度旋转防轻微角度偏移 RandXScale, [0.95 1.05], ... % X方向缩放±5%模拟距离变化 RandYScale, [0.95 1.05]); % Y方向同上 % ✅ 应用到训练集 imdsTrain augmentedImageDatastore([224 224], imdsTrain, DataAugmentation, augmenter); % ✅ 验证集仅做中心裁剪保持评估一致性 imdsVal augmentedImageDatastore([224 224], imdsVal);参数依据RandXReflection对工业零件、遥感建筑等左右对称目标提升显著[-5 5]旋转范围足够覆盖拍摄抖动过大如 ±30°会使文字类标签失真[0.95 1.05]缩放模拟镜头畸变比RandZoom更稳定避免黑边填充。4. 训练配置trainingOptions的 5 个必调参数与早停机制实现Matlab 默认的trainingOptions(sgdm)在迁移学习中极易发散。该 zip 包若未设置InitialLearnRate常因学习率过高导致 loss 在前 10 epoch 爆炸100。4.1 学习率策略分段衰减 微调层差异化% ✅ 关键底层冻结时学习率设为 0.001解冻后降至 0.0001 opts trainingOptions(sgdm, ... InitialLearnRate, 1e-3, ... % 冻结时主干学习率 LearnRateSchedule, piecewise, ... % 分段衰减 LearnRateDropFactor, 0.1, ... % 每次衰减为原 1/10 LearnRateDropPeriod, 5, ... % 每 5 epoch 衰减一次 MaxEpochs, 20, ... % 小样本不宜过长 MiniBatchSize, 16, ... % 根据 GPU 显存调整见表2.1 Shuffle, every-epoch, ... % 防止批次内同类扎堆 Verbose, true, ... % 实时监控 loss Plots, training-progress, ... % 可视化收敛性 ValidationData, imdsVal, ... % 必须指定 ValidationFrequency, 10, ... % 每 10 batch 验证一次 OutputNetwork, best-validation-loss, ... % 保存最优模型 CheckpointPath, checkpoints); % 自动保存断点参数逻辑InitialLearnRate1e-3是冻结微调的黄金起点1e-2易震荡1e-4收敛过慢LearnRateDropPeriod5配合MaxEpochs20确保在第 5/10/15 epoch 主动降学习率避免后期震荡OutputNetwork, best-validation-loss比last-iteration更可靠尤其当 loss 曲线出现“U型”时。4.2 解冻微调何时放开底层用验证 loss 平稳性判断冻结训练完成后如trainNetwork返回trainedNet需判断是否解冻% ✅ 步骤1检查验证 loss 是否连续 3 次下降 0.001平稳 valLossHistory trainedNet.TrainingHistory.ValidationLoss; if valLossHistory(end) 0.1 (valLossHistory(end) - valLossHistory(end-2)) -0.001 fprintf(Validation loss stabilized. Proceeding to fine-tuning.\n); % ✅ 步骤2解冻最后 3 个残差块resnet18 中为 layer_3 及之后 lgraphFT layerGraph(trainedNet.Layers); layersToUnfreeze {layer_3,layer_4,fc_new,classoutput}; for i 1:length(layersToUnfreeze) idx find(strcmp({lgraphFT.Layers.Name}, layersToUnfreeze{i})); if ~isempty(idx) lgraphFT.Layers(idx).Learnable true; end end % ✅ 步骤3重设更小学习率并继续训练 optsFT trainingOptions(sgdm, ... InitialLearnRate, 1e-4, ... % 解冻后学习率降 10 倍 MaxEpochs, 10, ... MiniBatchSize, 8, ... % 解冻后显存压力增大batch 减半 OutputNetwork, best-validation-loss); trainedNetFT trainNetwork(imdsTrain, lgraphFT, optsFT); else fprintf(Validation loss not stable. Keep frozen weights.\n); trainedNetFT trainedNet; end判断依据valLossHistory(end) 0.1确保基础模型已收敛交叉熵 loss 0.1 对应约 90% 准确率 -0.001表示 loss 变化趋近于 0而非持续下降——后者说明仍有优化空间可继续冻结训练。5. 结果解析与部署混淆矩阵生成、特征可视化及.mat模型导出规范该 zip 包的results/目录下.mat文件常被误认为“已训练好模型”实则只是trainingOptions的历史记录。真正可部署的是trainedNet对象需按 Matlab 工业标准导出。5.1 生成可读混淆矩阵用plotconfusion替代原始imagesc原始代码可能用imagesc绘制混淆矩阵但无类别标签和归一化。正确做法% ✅ 加载验证集预测结果 [YPred, scores] classify(trainedNetFT, imdsVal); YActual imdsVal.Labels; % ✅ 生成归一化混淆矩阵按行百分比即每类识别率 figure; cm plotconfusion(YActual, YPred); cm.Title Confusion Matrix (Normalized by Row); cm.XLabel Predicted Labels; cm.YLabel True Labels; % ✅ 提取数值并保存为表格供报告引用 cmTable confusionmat(YActual, YPred, order, imdsTrain.Labels); cmNorm bsxfun(rdivide, cmTable, sum(cmTable, 2)); % 归一化 fprintf(\nPer-class accuracy:\n); for i 1:length(imdsTrain.Labels) fprintf(%s: %.1f%%\n, string(imdsTrain.Labels(i)), cmNorm(i,i)*100); end输出示例Per-class accuracy: class1: 94.7% class2: 88.2% class3: 92.3%5.2 特征可视化用featureMap验证迁移学习有效性验证模型是否真正学到判别特征而非记忆背景% ✅ 提取倒数第二层全局平均池化前的特征图 featureLayer avgpool; % resnet18 中为 avgpool act activations(trainedNetFT, imdsVal.Files(1), featureLayer, OutputFormat, channels); % ✅ 取前 16 个通道可视化避免信息过载 figure; for c 1:16 subplot(4,4,c); imagesc(squeeze(act(c,:,:))); axis off; title(sprintf(Channel %d, c)); end title(Feature Maps from avgpool layer);观察要点若多数通道为均匀灰度无纹理响应说明迁移特征未激活需检查数据增强或学习率若某通道在目标物体区域明显亮起如 class1 的齿轮齿尖证明迁移成功。5.3 模型导出.mat文件必须含trainedNet对象而非仅权重% ✅ 正确导出保存完整网络对象含预处理、层结构、权重 save(myClassifier.mat, trainedNetFT, -v7.3); % -v7.3 支持大文件 % ✅ 部署时加载无需重新训练 loadedNet load(myClassifier.mat); classifier loadedNet.trainedNetFT; % 注意变量名匹配 % ✅ 单图预测工业现场常用 img imread(test.jpg); imgResized imresize(img, [224 224]); label classify(classifier, imgResized); fprintf(Predicted class: %s\n, string(label));关键约束必须用-v7.3参数否则trainedNet对象超过 2GB 时保存失败load后变量名与save时一致原始 zip 包常忽略此细节导致Undefined function or variable trainedNet错误classify输入必须是uint8或single图像double图像需先im2uint8转换。本文还有配套的精品资源点击获取