Классифицируйте данные с помощью обученной глубокой нейронной сети
Deep Learning Toolbox / Глубокие нейронные сети
Блок Image Classifier предсказывает метки класса для данных во входе при помощи обучившего сеть, заданного через параметры блоков. Этот блок позволяет загружать предварительно обученной сети в модель Simulink® из MAT-файла или из функции MATLAB®.
Примечание
Блок Image Classifier не поддерживает сети последовательности, и несколько вводят и несколько выходных сетей (MIMO).
image
Данные изображенияh-by-w-by-c-by-N числовой массив, где h, w и c являются высотой, шириной, и количеством каналов изображений, соответственно, и N, является количеством изображений. Если массив содержит NaN
s, затем они распространены через сеть.
ypred
— Предсказанные метки классаПредсказанный класс помечает самым высоким счетом, возвращенным как N-by-1 перечисленный вектор из меток, где N является количеством наблюдений.
scores
— Предсказанные баллы классаПредсказанные баллы, возвращенные как N-by-K матрица, где N является количеством наблюдений и K, являются количеством классов.
labels
— Класс помечает для предсказанных балловМетки сопоставили с предсказанными баллами, возвращенными как N-by-K матрица, где N является количеством наблюдений, и K является количеством классов.
Network
— Источник для обучившего сетьNetwork from MAT-file
(значение по умолчанию) | Network from MATLAB function
| squeezenet
Задайте источник для обучившего сеть. Выберите одно из следующего:
Network from MAT-file
— Импортируйте обучивший сеть из MAT-файла, содержащего SeriesNetwork
или DAGNetwork
объект.
Network from MATLAB function
— Импортируйте предварительно обученную сеть из функции MATLAB. Например, при помощи googlenet
функция.
File path
— MAT-файл, содержащий, обучил сеть Этот параметр задает имя MAT-файла, который содержит обученную нейронную сеть для глубокого обучения, чтобы загрузить. Если файл не находится на пути MATLAB, используйте кнопку Browse, чтобы определить местоположение файла.
Чтобы включить этот параметр, установите параметр Network на Network from MAT-file
.
MATLAB function
— Имя функции MATLABЭтот параметр задает имя функции MATLAB для предварительно обученной нейронной сети для глубокого обучения. Например, использовать googlenet
функционируйте, чтобы импортировать предварительно обученную модель GoogLeNet.
Чтобы включить этот параметр, установите параметр Network на Network from MATLAB function
.
Mini-batch size
— Размер мини-пакетовРазмер мини-пакетов, чтобы использовать для предсказания в виде положительного целого числа. Большие мини-пакетные размеры требуют большей памяти, но могут привести к более быстрым предсказаниям.
Resize input
— Измените размер входных размерностейИзмените размер данных во входном порту к входному размеру сети.
Classification
— Выведите предсказанную метку с самым высоким счетомВключите выходному порту ypred
это выводит метку с самым высоким счетом.
Predictions
— Выведите все баллы и сопоставленные меткиВключите выходным портам scores
и labels
тот выход все предсказанные баллы и сопоставленные метки класса.
Указания и ограничения по применению:
Параметр Language в Configuration Parameters> Code Generation общая категория должен быть установлен на C++
.
Для основанных на ERT целей параметра Support: variable-size signals в Code Generation> должна быть включена панель Interface.
Для списка сетей и слоев, поддержанных для генерации кода, смотрите Сети и Слои, Поддержанные для Генерации Кода С++ (MATLAB Coder).
Указания и ограничения по применению:
Параметр Language в Configuration Parameters> Code Generation общая категория должен быть установлен на C++
.
Для списка сетей и слоев, поддержанных для генерации кода CUDA®, смотрите Поддерживаемые Сети и Слои (GPU Coder).
Чтобы узнать больше о генерации кода для моделей Simulink, содержащих блок Image Classifier, смотрите Генерацию кода для Глубокого обучения Модель Simulink, чтобы Классифицировать Сигналы ECG (GPU Coder).
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.