Exponenta Banner

Image Classifier

Классификация данных с помощью обученной глубокой нейронной сети

развернуть все на странице
  • Библиотека:

  • Deep Learning Toolbox/Глубокие нейронные сети

  • Image classifier block

Описание

Блок Image Classifier предсказывает метки классов для данных на входе при помощи обученной сети, заданной через параметры блоков. Этот блок позволяет загружать предварительно обученную сеть в Simulink® модель из MAT-файла или из MATLAB® функция.

Ограничения

  • Блок Image Classifier не поддерживает сети последовательности и несколько входных и нескольких выходных сетей (MIMO).

  • Блок Image Classifier не поддерживает логгирование MAT-файлов.

Порты

Вход

расширить все

h w c N числовым массивом, где h, w, и c высота, ширина, и количество каналов изображений, соответственно, и N - количество изображений. Если массив содержит NaNs, затем они распространяются через сеть.

Выход

расширить все

Предсказанные метки классов с самым высоким счетом, возвращенные как N-на-1 перечисленный вектор меток, где N количество наблюдений.

Предсказанные счета, возвращенные как N -by - K матрица, где N - количество наблюдений, а K - количество классов.

Метки, сопоставленные с предсказанными счетами, возвращаются как N -by - K матрица, где N - количество наблюдений, а K - количество классов.

Параметры

расширить 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 обученной сети из функции MATLAB. Для примера при помощи googlenet функция.

Этот параметр задает имя MAT-файла, который содержит обученную нейронную сеть для глубокого обучения для загрузки. Если файл отсутствует в пути MATLAB, используйте кнопку Browse, чтобы найти файл.

Зависимости

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

Этот параметр задает имя функции MATLAB для предварительно обученной нейронной сети для глубокого обучения. Для примера используйте googlenet функция для импорта предварительно обученной модели GoogLeNet.

Зависимости

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

Размер мини-пакетов для использования в предсказании, заданный как положительное целое число. Большие размеры мини-пакетов требуют большей памяти, но могут привести к более быстрым предсказаниям.

Измените размер данных в вход порте на вход размер сети.

Включите выходной порт ypred который выводит метку с самым высоким счетом.

Включите выходные порты scores и labels который выводит все предсказанные счета и связанные метки классов.

Примеры моделей

Classify ECG Signals in Simulink Using Deep Learning

Классификация сигналов ЭКГ в Simulink с помощью глубокого обучения

Используйте вейвлет преобразования и нейронной сети для глубокого обучения в модели Simulink(R), чтобы классифицировать сигналы ЭКГ. Этот пример использует предварительно обученную сверточную нейронную сеть из примера Classify Time Series Using Wavelet Analysis and Глубокое Обучение Wavelet Toolbox™, чтобы классифицировать сигналы ECG на основе изображений из CWT данных временных рядов. Для получения информации о обучении смотрите Классификация временных рядов с использованием Wavelet Analysis и Глубокое Обучение (Wavelet Toolbox).

Расширенные возможности

..

См. также

Введенный в R2020b

Документация по Deep Learning Toolbox

Поддержка