Exponenta Banner
exponenta event banner

Классификатор изображений

Классифицировать данные с помощью обученной нейронной сети глубокого обучения

развернуть все на странице
  • Библиотека:

  • Набор инструментов для глубокого обучения/глубокие нейронные сети

  • Image classifier block

Описание

Блок классификатора изображений предсказывает метки классов для данных на входе, используя обученную сеть, заданную параметром блока. Этот блок позволяет загружать предварительно обученную сеть в модель Simulink ® из MAT-файла или из функции MATLAB ®.

Ограничения

  • Блок классификатора изображений не поддерживает сети последовательностей и несколько сетей ввода и вывода (MIMO).

  • Блок классификатора изображений не поддерживает ведение журнала MAT-файлов.

Порты

Вход

развернуть все

Числовой массив h-by-w-by-c-by-N, где h, w и c - высота, ширина и количество каналов изображений соответственно, а N - количество изображений. Если массив содержит NaNs, затем они распространяются по сети.

Продукция

развернуть все

Прогнозируемые метки класса с наивысшим баллом, возвращаемые как N-by-1 перечисленный вектор меток, где N - количество наблюдений.

Прогнозируемые баллы, возвращаемые в виде матрицы N-by-K, где N - количество наблюдений, а K - число классов.

Метки, связанные с прогнозируемыми показателями, возвращаются в виде матрицы N-by-K, где N - количество наблюдений, а K - количество классов.

Параметры

развернуть все

Укажите источник обученной сети. Выберите один из следующих вариантов:

  • Network from MAT-file- импорт обученной сети из MAT-файла, содержащего SeriesNetwork, DAGNetwork, или dlnetwork объект.

  • Network from MATLAB function- импорт предварительно подготовленной сети из функции MATLAB. Например, с помощью googlenet функция.

Этот параметр определяет имя файла MAT, содержащего обучаемую сеть глубокого обучения для загрузки. Если файл отсутствует в пути MATLAB, используйте кнопку «Обзор» для поиска файла.

Зависимости

Чтобы включить этот параметр, установите для параметра Network значение Network from MAT-file.

Этот параметр определяет имя функции MATLAB для предварительно обученной сети глубокого обучения. Например, использовать googlenet для импорта предварительно подготовленной модели GoogLeNet.

Зависимости

Чтобы включить этот параметр, установите для параметра Network значение Network from MATLAB function.

Размер мини-пакетов, используемых для прогнозирования, задается как положительное целое число. Большие размеры мини-партии требуют больше памяти, но могут привести к более быстрым прогнозам.

Измените размер данных на входном порте на входной размер сети.

Включить выходной порт ypred который выводит метку с наивысшим баллом.

Включить выходные порты scores и labels которые выводят все прогнозируемые оценки и связанные метки классов.

Примеры модели

Classify ECG Signals in Simulink Using Deep Learning

Классификация сигналов ЭКГ в Simulink с помощью глубокого обучения

Используйте вейвлет-преобразования и сеть глубокого обучения в модели Simulink (R) для классификации сигналов ЭКГ. В этом примере используется предварительно обученная сверточная нейронная сеть из временного ряда Classify Using Vavelet Analysis and Deep Learning примера вейвлет- Toolbox™ для классификации сигналов ЭКГ на основе изображений из CWT данных временного ряда. Сведения об обучении см. в разделе Классификация временных рядов с использованием вейвлет-анализа и глубокого обучения (инструментарий вейвлет).

Расширенные возможности

..

См. также

Представлен в R2020b

Документация по инструментам для глубокого обучения

Поддержка