Сверточная нейронная сеть VGG-16
VGG-16 является сверточной нейронной сетью, которая является 16 слоями глубоко. Можно загрузить предварительно обученную версию сети, обученной больше чем на миллионе изображений от базы данных ImageNet [1]. Предварительно обученная сеть может классифицировать изображения в 1 000 категорий объектов, таких как клавиатура, мышь, карандаш и многие животные. В результате сеть изучила богатые представления функции для широкого спектра изображений. Сеть имеет входной размер изображений 224 224. Для большего количества предварительно обученных сетей в MATLAB® смотрите Предварительно обученные Глубокие нейронные сети.
Можно использовать classify классифицировать новые изображения с помощью сети VGG-16. Выполните шаги, Классифицируют Изображение Используя GoogLeNet и заменяют GoogLeNet на VGG-16.
Чтобы переобучить сеть на новой задаче классификации, выполните шаги, Обучают Нейронную сеть для глубокого обучения Классифицировать Новые Изображения и загружать VGG-16 вместо GoogLeNet.
net = vgg16
Эта функция требует Модели Deep Learning Toolbox™ для пакета Сетевой поддержки VGG-16. Если этот пакет поддержки не установлен, то функция обеспечивает ссылку на загрузку.
net = vgg16('Weights','imagenet')net = vgg16.
layers = vgg16('Weights','none')
Загрузите и установите Модель Deep Learning Toolbox для пакета Сетевой поддержки VGG-16.
Ввод vgg16 в командной строке.
vgg16
Если Модель Deep Learning Toolbox для пакета Сетевой поддержки VGG-16 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 vgg16 в командной строке.
vgg16
ans =
SeriesNetwork with properties:
Layers: [41×1 nnet.cnn.layer.Layer]Визуализируйте сеть с помощью Deep Network Designer.
deepNetworkDesigner(vgg16)
Исследуйте другие предварительно обученные сети в Deep Network Designer путем нажатия на New.
Если необходимо загрузить сеть, то нажмите Install, чтобы открыть Add-On Explorer.
Загрузите предварительно обученную сверточную нейронную сеть VGG-16 и исследуйте слои и классы.
Используйте vgg16 загружать предварительно обученную сеть VGG-16. Выход net SeriesNetwork объект.
net = vgg16
net =
SeriesNetwork with properties:
Layers: [41×1 nnet.cnn.layer.Layer]
Просмотрите сетевую архитектуру с помощью Layers свойство. Сеть имеет 41 слой. Существует 16 слоев с learnable весами: 13 сверточных слоев и 3 полносвязных слоя.
net.Layers
ans =
41x1 Layer array with layers:
1 'input' Image Input 224x224x3 images with 'zerocenter' normalization
2 'conv1_1' Convolution 64 3x3x3 convolutions with stride [1 1] and padding [1 1 1 1]
3 'relu1_1' ReLU ReLU
4 'conv1_2' Convolution 64 3x3x64 convolutions with stride [1 1] and padding [1 1 1 1]
5 'relu1_2' ReLU ReLU
6 'pool1' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0]
7 'conv2_1' Convolution 128 3x3x64 convolutions with stride [1 1] and padding [1 1 1 1]
8 'relu2_1' ReLU ReLU
9 'conv2_2' Convolution 128 3x3x128 convolutions with stride [1 1] and padding [1 1 1 1]
10 'relu2_2' ReLU ReLU
11 'pool2' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0]
12 'conv3_1' Convolution 256 3x3x128 convolutions with stride [1 1] and padding [1 1 1 1]
13 'relu3_1' ReLU ReLU
14 'conv3_2' Convolution 256 3x3x256 convolutions with stride [1 1] and padding [1 1 1 1]
15 'relu3_2' ReLU ReLU
16 'conv3_3' Convolution 256 3x3x256 convolutions with stride [1 1] and padding [1 1 1 1]
17 'relu3_3' ReLU ReLU
18 'pool3' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0]
19 'conv4_1' Convolution 512 3x3x256 convolutions with stride [1 1] and padding [1 1 1 1]
20 'relu4_1' ReLU ReLU
21 'conv4_2' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1]
22 'relu4_2' ReLU ReLU
23 'conv4_3' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1]
24 'relu4_3' ReLU ReLU
25 'pool4' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0]
26 'conv5_1' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1]
27 'relu5_1' ReLU ReLU
28 'conv5_2' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1]
29 'relu5_2' ReLU ReLU
30 'conv5_3' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1]
31 'relu5_3' ReLU ReLU
32 'pool5' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0]
33 'fc6' Fully Connected 4096 fully connected layer
34 'relu6' ReLU ReLU
35 'drop6' Dropout 50% dropout
36 'fc7' Fully Connected 4096 fully connected layer
37 'relu7' ReLU ReLU
38 'drop7' Dropout 50% dropout
39 'fc8' Fully Connected 1000 fully connected layer
40 'prob' Softmax softmax
41 'output' Classification Output crossentropyex with 'tench' and 999 other classes
Чтобы просмотреть имена классов, изученных сетью, можно просмотреть Classes свойство классификации вывело слой (последний слой). Просмотрите первые 10 классов путем указывания первых 10 элементов.
net.Layers(end).Classes(1:10)
ans = 10×1 categorical array
tench
goldfish
great white shark
tiger shark
hammerhead
electric ray
stingray
cock
hen
ostrich
[1] ImageNet. http://www.image-net.org
[2] Russakovsky, O., Дэн, J., Су, H., и др. “Крупный масштаб ImageNet Визуальная проблема Распознавания”. Международный журнал Компьютерного зрения (IJCV). Vol 115, Выпуск 3, 2015, стр 211–252
[3] Симонян, Карен и Эндрю Зиссермен. "Очень глубоко сверточные сети для крупномасштабного распознавания изображений". arXiv предварительно распечатывают arXiv:1409.1556 (2014).
[4] Очень Глубоко Сверточные Сети для Крупномасштабного Визуального Распознавания http://www.robots.ox.ac.uk / ~ vgg/research/very_deep/
alexnet | Deep Network Designer | densenet201 | googlenet | inceptionresnetv2 | resnet101 | resnet18 | resnet50 | squeezenet | vgg19