vgg16
Vgg-16畳み込みニュラルネットワク
説明
Vgg-16は，深さが16層の畳み込みニュラルネットワクです。100年万枚を超えるイメージで学習させた事前学習済みのネットワークを,ImageNetデータベース[1]から読み込むことができます。この事前学習済みのネットワークは,イメージを1000個のオブジェクトカテゴリ(キーボード,マウス,鉛筆,多くの動物など)に分類できます。結果として、このネットワ、クは広範囲の、メ、ジに対する豊富な特徴表現を学習しています。ネットワクのメジ入力サズは224 × 224です。MATLAB®の他の事前学習済みのネットワクにいては，事前学習済みの深層ニュ，ラルネットワ，クを参照してください。
分类を使用すると，vgg-16ネットワクを使用して新しいメジを分類できます。GoogLeNetを使用したaapl . exeメの手順に従って，GoogLeNetをVGG-16に置き換えます。
新しい分類タスクでネットワ，クの再学習を行うには，新しいメジを分類するための深層学習ネットワクの学習の手順に従い，GoogLeNetの代わりにVGG-16を読み込みます。
网= vgg16
この関数には，深度学习工具箱™模型用于VGG-16网络サポ，トパッケ，ジが必要です。このサポートパッケージがインストールされていない場合,関数によってダウンロード用リンクが表示されます。
网= vgg16(“权重”,“imagenet”）Net = vgg16と等価です。
层= vgg16(“权重”,“没有”）
例
Vgg-16サポ，トパッケ，ジのダウンロ，ド
深度学习工具箱模型用于VGG-16网络サポトパッケジをダウンロドしてンストルします。
コマンドラ@ @ンでvgg16と入力します。
vgg16
深度学习工具箱模型用于VGG-16网络サポートパッケージがインストールされていない場合,関数によってアドオンエクスプローラーに必要なサポートパッケージへのリンクが表示されます。サポトパッケジをンストルするには，リンクをクリックして，[huawei @ huawei @ huawei @ huawei @ huawei @ huawei]をクリックします。コマンドラ@ @ンでvgg16と入力して，。
vgg16
ans = SeriesNetwork with properties: Layers: [41×1 nnet.cnn.layer.Layer]
ディプネットワクデザナを使用してネットワクを可視化します。
deepNetworkDesigner (vgg16)
ディプネットワクデザナで[新規]をクリックし，事前学習済みの他のネットワ，クを探索します。
ネットワ，クをダウンロ，ドする必要がある場合は，目的のネットワ，クで一時停止し，[huawei @ huawei @ huawei @ huawei @ huawei @ huawei]をクリックしてアドオンエクスプロ，ラ，を開きます。
事前学習済みvgg-16畳み込みニュラルネットワクの読み込み
事前学習済みのVGG-16畳み込みニューラルネットワークを読み込み,層およびクラスを確認します。
vgg16を使用して事前学習済みのvgg-16ネットワ，クを読み込みます。出力网はSeriesNetworkオブジェクトです。
Net = vgg16
net = SeriesNetwork with properties: Layers: [41×1 nnet.cnn.layer.Layer]
层プロパティを使用して，ネットワ，クア，キテクチャを表示します。このネットワクには41個の層があります。学習可能な重みを持16個の層があります。そのう13個が畳み込み層で，3個が全結合層です。
网层
ans = 41x1带有层的层数组:224 x224x3输入的图像输入图像2”zerocenter“正常化”conv1_1卷积64子集要旋转步[1]和填充[1 1 1 1]3‘relu1_1 ReLU ReLU 4 conv1_2卷积64 3 x3x64旋转步[1]和填充[1 1 1 1]5‘relu1_2 ReLU ReLU 6“pool1”马克斯池2 x2马克斯池步(2 - 2)和填充[0 0 0 0]7 conv2_1卷积128 3 x3x64旋转步[1]和填充(1 1 1)8“relu2_1”ReLU ReLU 9 conv2_2卷积128 3 x3x128旋转步[1]和填充[1 1 1 1]10“relu2_2”ReLU ReLU 11“pool2”马克斯池2 x2马克斯池步(2 - 2)和填充[0 0 0 0]12 conv3_1卷积256 3 x3x128旋转步[1]和填充[1 1 1 1]13的relu3_1 ReLU ReLU 14 conv3_2卷积256 3 x3x256旋转步[1]和填充[1 1 1 1]15 ' relu3_2 ReLU ReLU 16 conv3_3卷积256 3 x3x256旋转步[1]和填充[1 1 1 1]17 relu3_3 ReLUReLU 18 'pool3' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0] 19 'conv4_1' Convolution 512 3x3x256 convolutions with stride [1 1] and padding [1 1 1 1] 20 'relu4_1' ReLU ReLU 21 'conv4_2' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 22 'relu4_2' ReLU ReLU 23 'conv4_3' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 24 'relu4_3' ReLU ReLU 25 'pool4' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0] 26 'conv5_1' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 27 'relu5_1' ReLU ReLU 28 'conv5_2' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 29 'relu5_2' ReLU ReLU 30 'conv5_3' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 31 'relu5_3' ReLU ReLU 32 'pool5' Max Pooling 2x2 max pooling with stride [2 2] and padding [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
ネットワ，クによって学習済みのクラスの名前を確認するには，分類出力層(最後の層)の类プロパティを表示します。最初の10個の要素を指定することによって，最初の10個のクラスを表示します。
net.Layers(结束). class (1:10)
ans =10×1分类数组Tench金鱼大白鲨虎鲨锤头电鳐黄貂鱼公鸡母鸡鸵鸟
出力引数
参照
[1] ImageNet。http://www.image-net.org
[2] Russakovsky, O.， Deng, J.， Su, H.等。“ImageNet大规模视觉识别挑战。”国际计算机视觉杂志(IJCV)。115卷，第3期，2015年，第211-252页
Simonyan, Karen, Andrew Zisserman。“用于大规模图像识别的非常深度卷积网络”arXiv预印本arXiv:1409.1556(2014)。
[4]用于大规模视觉识别的非常深度卷积网络http://www.robots.ox.ac.uk/~vgg/research/very_deep/
拡張機能
バ，ジョン履歴
R2017aで導入
您也可以从以下列表中选择一个网站: