负荷预训练网络

加载经过预训练的谷歌网络。这一步需要深入学习工具箱™ 模型谷歌网络万博1manbetx支持包。如果未安装所需的支持软件包，则该软件提供下载链接。

您也可以选择加载不同的预训练网络进行图像分类。要尝试不同的预训练网络，请在MATLAB®中打开此示例并选择不同的网络。例如，您可以尝试挤压网，一个比古格伦. 您可以使用其他预先训练的网络运行此示例。有关所有可用网络的列表，请参见加载预训练网络.

净值=古格伦；

要分类的图像的大小必须与网络的输入大小相同。对于GoogLeNet来说层网络的属性是图像输入层。网络输入大小是输入大小图像输入层的属性。

输入大小=净层（1） .输入大小

输入大小=1×3224 224 3个

最后一个元素层属性是分类输出层。这个类名此层的属性包含由网络学习的类的名称。查看1000个类名中的10个随机类名。

类名=净层（end）.ClassNames；numClasses=numel（类名）；disp（类名（randperm（numClasses，10）））

“papillon”“蛋酒”“菠萝蜜”“城堡”“睡袋”“红胫”“创可贴”“炒锅”“安全带”“橙色”

读取并调整图像大小

阅读并显示要分类的图像。

I=读('胡椒.png')；图imshow（一）

显示图像的大小。图像为384 x 512像素，有三个颜色通道（RGB）。

尺寸（一）

答复=1×3384 512 3个

通过使用调整大小. 调整大小会稍微改变图像的纵横比。

I=imresize（I，inputSize（1:2））；图imshow（I）

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，可以使用I（1:输入大小（1），1:输入大小（2），：）. 如果你有图像处理工具箱™，然后您可以使用作物功能。

分类图像

对图像进行分类并使用分类. 该网络将图像正确地分类为贝尔胡椒。分类网络被训练为为每个输入图像输出一个标签，即使图像包含多个对象。

[标签，分数]=分类（净，I）；标签

标签=绝对的甜椒

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）title（字符串（标签）+", "+num2str（100*scores（classNames==label），3分）+"%");

显示顶部预测

将前五个预测标签及其相关概率显示为直方图。由于网络将图像分为许多对象类别，并且许多类别是相似的，所以在评估网络时通常会考虑前五个精度。该网络以很高的概率将图像分类为贝尔胡椒。

[~，idx]=排序（分数，“下降”)；idx=idx（5:-1:1）；类名称top=净层（结束）.ClassNames（idx）；scoresTop=scores（idx）；figure barh（scoresTop）xlim（[0 1]）标题('前5个预测')xlabel公司('概率')yticklabels（类名称顶部）