主要内容

vgg19

Vgg-19畳み込みニュラルネットワク

ペ，ジ内をすべて折りたたむ
  • VGG-19网络架构

構文

Net = vgg19
net = vgg19('Weights'，'imagenet')
layers = vgg19('Weights'，'none')

説明

Vgg-19は，深さが19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-19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-19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-19を読み込みます。

例

网= vgg19は，ImageNetデ，タセットで学習させたVGG-19ネットワ，クを返します。

この関数には，深度学习工具箱™模型VGG-19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= vgg19(“权重”,“imagenet”）は，ImageNetデ，タセットで学習させたVGG-19ネットワ，クを返します。この構文は，Net = vgg19と等価です。

层= vgg19(“权重”,“没有”）は，未学習のvgg-19ネットワ，クア，キテクチャを返します。未学習のモデルは，サポ，トパッケ，ジを必要としません。

例

すべて折りたたむ

この例では，深度学习工具箱模型VGG-19网络サポトパッケジをダウンロドしてンストルする方法を説明します。

コマンドラ@ @ンでvgg19と入力します。

vgg19

深度学习工具箱模型VGG-19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vgg19と入力して，。

vgg19
ans = SeriesNetwork with properties: Layers: [47×1 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 (vgg19)

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。

深度网络设计器开始页显示可用的预训练网络

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。

ラ@ @ブスクリプトを開く

事前学習済みのVGG-19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。

vgg19を使用して事前学習済みのvgg-19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 = vgg19
net = SeriesNetwork with properties: Layers: [47×1 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47個の層があります。学習可能な重みを持19個の層があります。そのう16個が畳み込み層で，3個が全結合層です。

网层
ans = 47x1带有图层的图层数组: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 'conv3_4' Convolution 256 3x3x256 convolutions with stride [1 1] and padding [1 1 1 1] 19 'relu3_4' ReLU ReLU 20 'pool3' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0] 21 'conv4_1' Convolution 512 3x3x256 convolutions with stride [1 1] and padding [1 1 1 1] 22 'relu4_1' ReLU ReLU 23 'conv4_2' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 24 'relu4_2' ReLU ReLU 25 'conv4_3' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 26 'relu4_3' ReLU ReLU 27 'conv4_4' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 28 'relu4_4' ReLU ReLU 29 'pool4' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0] 30 'conv5_1' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 31 'relu5_1' ReLU ReLU 32 'conv5_2' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 33 'relu5_2' ReLU ReLU 34 'conv5_3' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 35 'relu5_3' ReLU ReLU 36 'conv5_4' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 37 'relu5_4' ReLU ReLU 38 'pool5' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0] 39 'fc6' Fully Connected 4096 fully connected layer 40 'relu6' ReLU ReLU 41 'drop6' Dropout 50% dropout 42 'fc7' Fully Connected 4096 fully connected layer 43 'relu7' ReLU ReLU 44 'drop7' Dropout 50% dropout 45 'fc8' Fully Connected 1000 fully connected layer 46 'prob' Softmax softmax 47 '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

すべて折りたたむ

事前学習済みのvgg-19畳み込みニュラルネットワク。SeriesNetworkオブジェクトとして返されます。

未学習のvgg-19畳み込みニュラルネットワクアキテクチャ。配列层として返されます。

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

参考

||||||||||

トピック