负载预训练网络

加载预训练的GoogLeNet网络。这一步需要深度学习工具箱™模型为GoogLeNet网络万博1manbetx支持包。如果您没有安装所需的支持包，则该软件提供下载链接。万博1manbetx

您还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，你可以试试squeezenet这是一个比美国更快的网络googlenet。您可以将此示例与其他预训练的网络一起运行。有关所有可用网络的列表，请参见负载预训练神经网络。

网=googlenet;

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

inputSize = net.Layers(1).InputSize

inputSize =1×3224 224 3

的最后一个元素层属性是分类输出层。的一会这一层的属性包含了网络学习到的类的名称。查看1000个随机类名中的10个。

classNames = net.Layers(end).ClassNames;numClasses = nummel (classNames);disp(类名(randperm (numClasses 10)))

'papillon' 'egg gnog' 'jackfruit' 'castle' '睡袋' 'redshank' 'Band Aid' '炒锅' '安全带' 'orange' '

读取和调整图像大小

阅读并展示你想要分类的图像。

I = imread()“peppers.png”）;图imshow(我)

显示图像的大小。该图像是384 × 512像素，有三个颜色通道(RGB)。

大小(我)

ans =1×3384 512 3

将图像大小调整为网络的输入大小imresize。这种大小调整稍微改变了图像的宽高比。

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

根据您的应用程序，您可能希望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

对图像进行分类，并使用分类。网络正确地将图像分类为甜椒。训练分类网络为每个输入图像输出单个标签，即使图像包含多个对象。

[label,scores] = classification (net,I);标签

标签=分类甜椒

显示具有预测标签的图像以及具有该标签的图像的预测概率。

图imshow(I) title(string(label) +”、“+ num2str(100*scores(classNames == label)，3) +“%”）;

显示热门预测

以直方图的形式显示前五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，并且许多类别是相似的，因此在评估网络时通常考虑前五种准确性。该网络以高概率将图像分类为甜椒。

[~，idx] = sort(分数)“下”）;Idx = Idx (5:-1:1);classNamesTop = net.Layers(end).ClassNames(idx);scoresTop = scores(idx);figure bar (scoresTop) xlim([0 1]) title(“五大预测”)包含(“概率”) yticklabels (classNamesTop)