VGG-16 сверточная нейронная сеть
VGG-16 - сверточная нейронная сеть глубиной 16 слоев. Предварительно подготовленную версию сети можно загрузить на более чем миллион изображений из базы данных ImageNet [1]. Предварительно обученная сеть может классифицировать изображения на 1000 категорий объектов, таких как клавиатура, мышь, карандаш и многие животные. В результате сеть получила богатые представления элементов для широкого спектра изображений. Сеть имеет размер входного изображения 224 на 224. Дополнительные сведения о предварительно подготовленных сетях в MATLAB ® см. в разделе Предварительно обученные глубокие нейронные сети.
Вы можете использовать classify для классификации новых образов с использованием сети VGG-16. Выполните шаги команды «Классифицировать изображение с помощью GoogLeNet» и замените GoogLeNet на VGG-16.
Чтобы переобучить сеть на новой задаче классификации, следуйте шагам Train Deep Learning Network по классификации новых образов и загрузке VGG-16 вместо GoogLeNet.
net = vgg16
Для этой функции требуется модель Deep Learning Toolbox™ для пакета поддержки VGG-16 Network. Если этот пакет поддержки не установлен, функция предоставляет ссылку для загрузки.
net = vgg16('Weights','imagenet')net = vgg16.
layers = vgg16('Weights','none')
Загрузите и установите Deep Learning Toolbox Model для пакета поддержки VGG-16 Network.
Напечатать vgg16 в командной строке.
vgg16
Если модель Deep Learning Toolbox Model для пакета поддержки VGG-16 Network не установлена, функция предоставляет ссылку на требуемый пакет поддержки в обозревателе надстроек. Чтобы установить пакет поддержки, щелкните ссылку и нажмите кнопку Установить. Убедитесь, что установка выполнена успешно, введя vgg16 в командной строке.
vgg16
ans =
SeriesNetwork with properties:
Layers: [41×1 nnet.cnn.layer.Layer]Визуализация сети с помощью Deep Network Designer.
deepNetworkDesigner(vgg16)
Изучите другие предварительно подготовленные сети в Deep Network Designer, нажав кнопку Создать.
Если необходимо загрузить сеть, нажмите кнопку Установить, чтобы открыть обозреватель надстроек.
Загрузите предварительно обученную VGG-16 сверточную нейронную сеть и изучите слои и классы.
Использовать vgg16 для загрузки предварительно обученной сети VGG-16. Продукция net является SeriesNetwork объект.
net = vgg16
net =
SeriesNetwork with properties:
Layers: [41×1 nnet.cnn.layer.Layer]
Просмотр сетевой архитектуры с помощью Layers собственность. Сеть насчитывает 41 уровень. Существует 16 слоев с обучаемыми весами: 13 сверточных слоев и 3 полностью соединенных 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
Для просмотра имен классов, полученных сетью, можно просмотреть Classes свойство выходного уровня классификации (конечный уровень). Просмотрите первые 10 классов, указав первые 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] Руссаковский, О., Денг, Дж., Су, Х., и др. «Задача масштабного визуального распознавания ImageNet». Международный журнал компьютерного зрения (IJCV). Том 115, выпуск 3, 2015, стр. 211-252
[3] Симоньян, Карен и Эндрю Зиссерман. «Очень глубокие сверточные сети для крупномасштабного распознавания изображений» .arXiv препринт arXiv:1409.1556 (2014).
[4] Очень глубокие сверточные сети для масштабного визуального распознавания http://www.robots.ox.ac.uk/~vgg/research/very_deep/
alexnet | Конструктор глубоких сетей | densenet201 | googlenet | inceptionresnetv2 | resnet101 | resnet18 | resnet50 | squeezenet | vgg19