Exponenta Banner

Image Classifier

Классифицируйте данные с помощью обученной глубокой нейронной сети

расширьте все на странице
  • Библиотека:

  • Deep Learning Toolbox / Глубокие нейронные сети

  • Image classifier block

Описание

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).

Порты

Входной параметр

развернуть все

h-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 NaNs, затем они распространены через сеть.

Вывод

развернуть все

Предсказанный класс помечает самым высоким счетом, возвращенным как N-by-1 перечисленный вектор из меток, где N является количеством наблюдений.

Предсказанные баллы, возвращенные как N-by-K матрица, где N является количеством наблюдений и K, являются количеством классов.

Метки сопоставили с предсказанными баллами, возвращенными как N-by-K матрица, где N является количеством наблюдений, и K является количеством классов.

Параметры

развернуть все

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.

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.

Зависимости

Чтобы включить этот параметр, установите параметр Network на Network from MAT-file.

Этот параметр задает имя функции MATLAB для предварительно обученной нейронной сети для глубокого обучения. Например, использовать googlenet функционируйте, чтобы импортировать предварительно обученную модель GoogLeNet.

Зависимости

Чтобы включить этот параметр, установите параметр Network на Network from MATLAB function.

Размер 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.

Измените размер данных во входном порту к входному размеру сети.

Включите выходному порту ypred это выводит метку с самым высоким счетом.

Включите выходным портам scores и labels тот выход все предсказанные баллы и сопоставленные метки класса.

Примеры модели

Classify ECG Signals in Simulink Using Deep Learning

Классифицируйте сигналы ECG на Simulink Используя глубокое обучение

Вейвлет использования преобразовывает и нейронная сеть для глубокого обучения в модели Simulink(R), чтобы классифицировать сигналы ECG. Этот пример использует предварительно обученную сверточную нейронную сеть от Классифицировать Временных рядов Используя пример Анализа и Глубокого обучения Вейвлета Wavelet Toolbox™, чтобы классифицировать сигналы ECG на основе изображений от CWT данных временных рядов. Для получения информации об обучении смотрите, Классифицируют Временные ряды Используя Анализ Вейвлета и Глубокое обучение (Wavelet Toolbox).

Расширенные возможности

Смотрите также

Введенный в R2020b

Документация Deep Learning Toolbox

Поддержка