vgg16

VGG-16卷积神经网络

折叠所有页面

句法

网= vgg16
净= vgg16（ '权重'， 'imagenet'）
层= vgg16（ '权重'， '无'）

描述

VGG-16是一个卷积神经网络，其深16层。您可以从ImageNet数据库加载培训了超过一万张图片的网络的预训练版本[1]。所述预训练网络可以将影像分为1000个对象类别，如键盘，鼠标，笔，和许多动物。其结果是，在网络了解到丰富的功能表示为各种图像。该网络具有的224-通过-224图像输入大小。对于MATLAB更多的预训练的网络®见预训练的深度神经网络。

您可以使用分类使用VGG-16网络新的图像进行分类。遵循以下步骤：分类影像使用GoogLeNet与VGG-16替换GoogLeNet。

再培训上一个新的分类任务的网络，请按照下列步骤火车深学习网络分类新形象和负载VGG-16代替GoogLeNet。

例

净= vgg16返回VGG-16网络训练的ImageNet数据集。

此功能需要深度学习工具箱™模式为VGG-16网络万博1manbetx支持包。如果未安装此支持万博1manbetx包，则该功能提供了下载链接。

净= vgg16（ '权重'，'imagenet'）返回VGG-16网络训练的ImageNet数据集。此语法等效于网= vgg16。

层= vgg16（ '权重'，'没有'）返回未经训练VGG-16网络架构。未受过训练的模式不要求支持包。万博1manbetx

例子

全部收缩

下载并安装深度学习工具箱型号为VGG-16网络万博1manbetx支持包。

类型vgg16在命令行。

vgg16

如果深度学习工具箱型号为VGG-16网络万博1manbetx如果未安装支持包，则该函数将提供到附加组件资源管理器中所需支持包的链接。要安装支持包，请单击链接，然后万博1manbetx单击安装。通过键入，检查安装是否成功vgg16在命令行。

vgg16
属性:Layers:[41×1]
打开生活的脚本

加载一个预训练的VGG-16卷积神经网络并检查层和类。

用vgg16加载预训练VGG-16网络。输出净是SeriesNetwork对象。

网= vgg16
净= SeriesNetwork与属性：层：[41×1 nnet.cnn.layer.Layer]

通过查看网络架构图层属性。该网络具有41层。有16层，可学习权重：13卷积层，和3个完全连接层。

net.Layers
ANS = 41x1层阵列层：1 '输入' 图像输入224x224x3图像与 'zerocenter' 正常化2 'conv1_1' 卷积64个3x3x3的卷积与步幅[1 1]和填充[1 1 1 1] 3 'relu1_1' RELU RELU 4'conv1_2' 卷积64个3x3x64卷积步幅[1 1]和填充[1 1 1 1]的5 'relu1_2' RELU RELU 6 'POOL1' 最大池2x2的最大蓄留与步幅[2 2]和填充[0 0 0 0]7 'conv2_1' 卷积128个3x3x64卷积步幅[1 1]和填充[1 1 1 1] 8 'relu2_1' RELU RELU 9 'conv2_2' 卷积128个3x3x128卷积步幅[1 1]和填充[1 1 1 1]10 'relu2_2' RELU RELU 11 'POOL2' 最大池2x2的最大蓄留与步幅[2 2]和填充[0 0 0 0] 12 'conv3_1' 卷积256个3x3x128卷积步幅[1 1]和填充[1 1 1 1] 13 'relu3_1' RELU RELU 14 'conv3_2' 卷积256个3x3x256卷积步幅[1 1]和填充[1 1 1 1] 15 'relu3_2' RELU RELU 16 'conv3_3' 卷积256个3x3x256卷积步幅[1 1]和填充[1 1 1 1] 17 'relu3_3' RELU RELU 18 'pool3' 最大池2x2的最大蓄留与步幅[2 2]和填充[0 0 0 0] 19 'conv4_1' 卷积512个3x3x256卷积步幅[1 1]和填补[1 1 1 1] 20 'relu4_1' RELU RELU 21 'conv4_2' 卷积512个3x3x512卷积步幅[1 1]和填充[1 1 1 1] 22 'relu4_2' RELU RELU 23 'conv4_3' 卷积512 3x3x512卷积与步幅[1 1]和填充[1 1 1 1] 24 'relu4_3' RELU RELU 25 '池4' 最大池2x2的最大蓄留与步幅[2 2]和填充[0 0 0 0] 26 'conv5_1' 卷积512 3x3x512与步幅[1 1]和填充卷积[1 1 1 1] 27 'relu5_1' RELU RELU 28 'conv5_2' 卷积512个3x3x512卷积步幅[1 1]和填充[1 1 1 1] 29 'relu5_2' RELU RELU 30'conv5_3' 卷积512个3x3x512卷积步幅[1 1]和填充[1 1 1 1] 31 'relu5_3' RELU RELU 32 'pool5' 最大池2x2的最大蓄留与步幅[2 2]和填充[0 0 0 0] 33 'fc6' Fully Connected 4096 fully connected layer 34 'relu6' ReLU ReLU 35 'drop6' Dropout 50% dropout 36 'fc7' Fully Connected 4096 fully connected layer 37 'relu7' ReLU ReLU 38 'drop7' Dropout 50% dropout 39 'fc8' Fully Connected 1000 fully connected layer 40 'prob' Softmax softmax 41 'output' Classification Output crossentropyex with 'tench' and 999 other classes

要查看网络上了解到的类的名称，您可以查看类分类输出层（最后的层）的性质。通过指定前10个元素观看第一10类。

net.Layers（端）.Classes（1:10）
ANS =10×1阵列分类丁鲷金鱼大白鲨老虎鲨锤头电动射线魟公鸡母鸡鸵鸟

输出参数

全部收缩

预训练VGG-16卷积神经网络返回为SeriesNetwork对象。

未经训练的VGG-16卷积神经网络结构，返回为层阵列。

参考文献

[1]ImageNet。http://www.image-net.org

[2] Russakovsky，O.，邓，J.，苏，H。等人。“ImageNet大型视觉识别的挑战。”国际计算机视觉杂志（IJCV）。第115卷，第3期，2015年，第211-252

[3]西蒙尼扬，克伦，和安德鲁·齐塞尔曼。“非常深的卷积网络的大规模图像识别。”预印本的arXiv的arXiv：1409.1556（2014）。

[4]非常深的卷积网络的大型视觉识别http://www.robots.ox.ac.uk/~vgg/research/very_deep/

扩展功能

也可以看看

||||||||

主题

介绍了在R2017a

深度学习工具箱文档
万博1manbetx
用MATLAB引入深度学习

用MATLAB引入深度学习

下载电子书