图像分类的深度学习

阿维这周选的是AlexNet网络的深度学习工具箱模型,通过深度学习工具箱团队.AlexNet是一个预先训练的1000类图像分类器，使用深度学习，更具体地说是卷积神经网络（CNN）。支持包提供了对这个强大模型的轻松访问，以帮助快速开始在MATLAB中进行深度学习。万博1manbetx

内容

在MATLAB中访问预先训练的模型

一旦下载并安装了支持包，就可以将预先训练过的模型加载到MATLAB中。万博1manbetx

网= alexnet

net = SeriesNetwork with properties: Layers: [25×1 net.cnn.layer. layer]

查看网络体系结构

现在让我们快速看一下深层神经网络的结构。

net.Layers

ans=25x1层阵列，带层：1“数据”图像输入227x227x3图像，带“零中心”标准化2“conv1”卷积96 11x11x3卷积，带跨距[4]和填充[0]3“relu1”ReLU ReLU 4“norm1”跨通道规格化跨通道规格化每个元素5个通道5“pool1”最大池3x3最大池步幅[2]和填充[0]6“conv2”卷积256 5x5x48卷积步幅[1]和填充[2]7“relu2”ReLU ReLU 8“norm2”跨通道规格化跨通道规格化每个元素5个通道9“pool2”最大池3x3最大池带跨步[2]和填充[0]10“conv3”卷积384 3x256卷积带跨步[1]和填充[1]11'relu3'ReLU ReLU 12'conv4'卷积384 3x3x192带跨步[11]和填充[11]13'relu4'ReLU ReLU 14'conv5'卷积256 3x3x192带跨步[11]和填充[11]15'relu5'ReLU ReLU 16'pool5'最大池3x3最大池带跨步[2]和填充[0]17“fc6”完全连接4096完全连接层18“relu6”ReLU ReLU 19“drop6”drop6”Dropout 50%Dropout 20“fc7”完全连接4096完全连接层21“relu7”ReLU ReLU 22“drop7”drop7”Dropout 50%Dropout 23“fc8”完全连接1000完全连接层24“prob”Softmax Softmax 25“output”分类输出交叉熵与“tench”，“金鱼”和998种其他种类

分类图像

现在，让我们尝试使用深度学习对图像进行分类。在对图像进行分类之前，我们需要调整输入图像的大小，以匹配网络的输入，即227 x 227像素。

我= imread (“Keyboard.jpg”)；%调整图像大小深圳= net.Layers(1)。InputSize I = imresize(I，[sz(1) sz(2)]);使用AlexNet对图像进行分类标签=分类（净，I）%显示图像和分类结果图I显示（I）文本（10,20，字符（标签），“颜色”，“白色”）

sz=227 227 3标签=打字机键盘

更多关于深度学习的信息

要了解有关深度学习的更多信息以及如何为不同任务重新训练AlexNet模型，请查看中的示例这个网络研讨会使用AlexNet来区分不同种类的工具。