负载净化网络

加载预先训练好的GoogLeNet网络。这一步需要深度学习工具箱™模型GoogLeNet网络万博1manbetx支持包。如果您没有安装所需的支持包，那么该软件将提供下载链接。万博1manbetx

您还可以选择加载一个不同的预先训练的网络来进行图像分类。为了尝试一个不同的预训练网络，在MATLAB®中打开这个示例并选择一个不同的网络。例如，你可以试试squeezenet，这个网络甚至比googlenet．您可以使用其他佩带的网络运行此示例。有关所有可用网络的列表，请参阅加载净化网络．

网=googlenet;

您想要分类的图像必须与网络的输入大小相同。对于GoogLeNet，第一个元素层网络的属性是图像的输入层。网络输入大小为输入图像输入层的属性。

InputSize = Net.Layers（1）.InputSize

inputSize =1×3224 224 3

最后一个元素层属性是分类输出层。的一会属性包含网络学习到的类的名称。从1000个随机类名中查看10个。

一会= net.Layers .ClassNames(结束);numClasses =元素个数(类名);disp(类名(randperm (numClasses 10)))

'Papillon''eggng''Jarkfruit''Castle''''睡袋''Redshank''乐队援助''Wok'''''''''''''''''''''''''''）

读取并调整图像大小

阅读并展示你想分类的图像。

我= imread (“peppers.png”）;图imshow(我)

显示图像的大小。图像是384 × 512像素，有三个颜色通道(RGB)。

大小(我)

ans =1×3384 512 3.

使用。将图像调整为网络的输入大小imresize．这个大小调整稍微改变了图像的宽高比。

我= imresize(我inputSize (1:2));图imshow(我)

根据应用程序的不同，您可能需要以不同的方式调整图像的大小。例如，您可以使用我(1:inputSize (1), 1: inputSize (2):)．如果您有图像处理工具箱™，那么您可以使用imcrop函数。

图像的分类

使用分类图像并计算类概率分类．网络将图像正确分类为甜椒。即使图像包含多个对象，也会训练用于分类的网络以输出每个输入图像的单个标签。

(标签,分数)=分类(净,我);标签

标签=分类灯笼椒

显示带有预测标签的图像和具有该标签的图像的预测概率。

图imshow（i）标题（字符串（标签）+“，”+ num2str(100*scores(classNames == label)，3) +“%”）;

显示前预测

以直方图的形式显示前5个预测标签及其相关的概率。由于网络将图像分类为如此多的对象类别，而且许多类别是相似的，因此在评估网络时，通常会考虑前五名的精度。该网络将图像分类为一个高概率的甜椒。

[〜，IDX] =排序（分数，“下”）;IDX = IDX（5：-1：1）;ClassNamestop = Net.Layers（END）.Classnames（IDX）;scorestop =得分（IDX）;图Barh（Scorestop）XLIM（[0 1]）标题（'前5名预测'）Xlabel（'可能性') yticklabels (classNamesTop)