googlenet

Сверточная нейронная сеть GoogLeNet

Описание

GoogLeNet является сверточной нейронной сетью, которая является 22 слоями глубоко. Можно загрузить предварительно обученную версию сети, обученной или на ImageNet [1] или на [2] [3]наборах данных Places365 . Сеть, обученная на ImageNet, классифицирует изображения в 1 000 категорий объектов, таких как клавиатура, мышь, карандаш и многие животные. Сеть, обученная на Places365, похожа на сеть, обученную на ImageNet, но классифицирует изображения в 365 различных категорий места, таких как поле, парк, взлетно-посадочная полоса и лобби. Эти сети изучили различные представления функции для широкого спектра изображений. Предварительно обученные сети оба имеют входной размер изображений 224 224. Для большего количества предварительно обученных сетей в MATLAB® смотрите Предварительно обученные Глубокие нейронные сети.

Чтобы классифицировать новое использование изображений GoogLeNet, использовать classify. Для примера смотрите, Классифицируют Изображение Используя GoogLeNet.

Можно переобучить сеть GoogLeNet, чтобы выполнить новую задачу с помощью передачи обучения. При использовании обучение с переносом наиболее распространенный подход должен использовать сети, предварительно обученные на наборе данных ImageNet. Если новая задача похожа на классификацию сцен, то использование сети, обученной на Местах 365, может дать более высокую точность. Для примера, показывающего, как переобучить GoogLeNet на новой задаче классификации, смотрите, Обучают Нейронную сеть для глубокого обучения Классифицировать Новые Изображения

пример

net = googlenet возвращает сеть GoogLeNet, обученную на наборе данных ImageNet.

Эта функция требует Модели Deep Learning Toolbox™ для пакета Сетевой поддержки GoogLeNet. Если этот пакет поддержки не установлен, то функция обеспечивает ссылку на загрузку.

net = googlenet('Weights',weights) возвращает сеть GoogLeNet, обученную или на ImageNet или на наборе данных Places365. Синтаксис googlenet('Weights','imagenet') (значение по умолчанию) эквивалентно googlenet.

Сеть, обученная на ImageNet, требует Модели Deep Learning Toolbox для пакета Сетевой поддержки GoogLeNet. Сеть, обученная на Places365, требует Модели Deep Learning Toolbox для пакета Сетевой поддержки Places365-GoogLeNet. Если необходимый пакет поддержки не установлен, то функция обеспечивает ссылку на загрузку.

lgraph = googlenet('Weights','none') возвращает нетренированную архитектуру сети GoogLeNet. Нетренированная модель не требует пакета поддержки.

Примеры

свернуть все

Загрузите и установите Модель Deep Learning Toolbox для пакета Сетевой поддержки GoogLeNet.

Ввод googlenet в командной строке.

googlenet

Если Модель Deep Learning Toolbox для пакета Сетевой поддержки GoogLeNet не установлена, то функция обеспечивает ссылку на необходимый пакет поддержки в Add-On Explorer. Чтобы установить пакет поддержки, щелкните по ссылке, и затем нажмите Install. Проверяйте, что установка успешна путем ввода googlenet в командной строке. Если необходимый пакет поддержки установлен, то функция возвращает DAGNetwork объект.

googlenet
ans = 

  DAGNetwork with properties:

         Layers: [144×1 nnet.cnn.layer.Layer]
    Connections: [170×2 table]

Входные параметры

свернуть все

Источник сетевых параметров в виде 'imagenet' , 'places365', или 'none'.

  • Если weights равняется 'imagenet', затем сети обучили веса на наборе данных ImageNet.

  • Если weights равняется 'places365', затем сети обучили веса на наборе данных Places365.

  • Если weights равняется 'none', затем нетренированная сетевая архитектура возвращена.

Пример: 'places365'

Выходные аргументы

свернуть все

Предварительно обученная сверточная нейронная сеть GoogLeNet, возвращенная как DAGNetwork объект.

Нетренированная архитектура сверточной нейронной сети GoogLeNet, возвращенная как LayerGraph объект.

Ссылки

[1] ImageNet. http://www.image-net.org

[2] Чжоу, Bolei, Aditya Khosla, Агата Лапедриса, Антонио Торрэлба и Од Олива. "Места: база данных изображений для глубокого понимания сцены". arXiv предварительно распечатывают arXiv:1610.02055 (2016).

[3] Места. http://places2. csail.mit.edu /

[4] Szegedy, христианин, Вэй Лю, Янцин Цзя, Пьер Сермане, Скотт Рид, Драгомир Ангуелов, Dumitru Erhan, Винсент Вэнхук и Эндрю Рэбинович. "Идя глубже со свертками". В Продолжениях конференции по IEEE по компьютерному зрению и распознаванию образов, стр 1-9. 2015.

Расширенные возможности

Введенный в R2017b
Для просмотра документации необходимо авторизоваться на сайте