如果需要，运行这些命令以获取下载，连接到网络摄像头，并获取预先磨碎的神经网络。

Camera =网络摄像头;％连接到相机net = alexnet;％加载神经网络

如果您需要安装摄像头和alexnet加载项，每个函数的消息都会显示一个链接，以帮助您使用附加资源管理器下载免费的附加组件。或者，参见深度学习工具箱模型对于AlexNet网络和马铃薯万博1manbetx支持USB网络摄像头的支持包。

安装深度学习工具箱™模型后对于AlexNet网络，您可以使用它对图像进行分类。AlexNet是一个预先训练过的卷积神经网络(CNN)，已经在100多万张图像上训练过，可以将图像分类为1000个对象类别(例如，键盘、鼠标、咖啡杯、铅笔和许多动物)。

运行以下代码以显示和分类实时图像。在一个对象中指向网络摄像头，神经网络报告它认为网络摄像头显示的对象是显示的。它将继续进行分类图像，直到您按下Ctrl.+C。代码使用的代码大小使用imresize.（图像处理工具箱）。

尽管真正的im =快照（相机）;％拍照图像(im);％显示图片Im = imresize(Im，[227227]);％为alexnet调整图片大小标签=分类（网络，IM）;％分类图片标题（炭（标签））;％显示类标签drawn结尾

在此示例中，网络正确分类了咖啡杯。实验周围环境中的物体，以查看网络的准确性。

要观看这个例子的视频，请参阅在11行Matlab代码中深入学习。

要了解如何扩展此示例并显示类的概率得分，请参阅使用深度学习对网络摄像头图像进行分类。

对于深度学习的下一步，您可以使用预磨损的网络进行其他任务。通过传输学习或特征提取解决图像数据上的新分类问题。对于例子，见使用转移学习开始深入学习和使用从预训练网络中提取的特征训练分类器。要尝试其他预磨普雷网络，请参阅普里德深度神经网络。