VGG-16 сверточную нейронную сеть
VGG-16 - сверточная нейронная сеть, которая имеет глубину 16 слоев. Предварительно обученную версию сети можно загрузить более чем на миллион изображений из базы данных ImageNet [1]. Предварительно обученная сеть может классифицировать изображения в 1000 категорий объектов, таких как клавиатура, мышь, карандаш и многие животные. В результате сеть узнала представления богатых функций для широкой области значений изображений. Сеть имеет размер входного сигнала изображения 224 224. Для более предварительно обученных сетей в MATLAB®, см. «Предварительно обученные глубокие нейронные сети».
Вы можете использовать classify для классификации новых изображений с помощью VGG-16 сети. Следуйте шагам классификации изображений с помощью GoogLeNet и замените GoogLeNet на VGG-16.
Чтобы переобучить сеть по новой задаче классификации, следуйте шагам Traind Нейронной Сети для Глубокого Обучения для классификации новых изображений и загрузки VGG-16 вместо GoogLeNet.
net = vgg16
Эта функция требует Deep Learning Toolbox™ Model для VGG-16 пакета поддержки Сети. Если этот пакет поддержки не установлен, то функция предоставляет ссылку на загрузку.
net = vgg16('Weights','imagenet')net = vgg16.
layers = vgg16('Weights','none')
Загрузите и установите модель Deep Learning Toolbox для VGG-16 пакета поддержки Network.
Напечатать vgg16 в командной строке.
vgg16
Если Deep Learning Toolbox Model для пакета поддержки VGG-16 Network не установлен, то функция предоставляет ссылку на необходимый пакет поддержки в Add-On Explorer. Чтобы установить пакет поддержки, щелкните ссылку и нажмите кнопку Install. Проверьте успешность установки путем ввода 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)
Исследуйте другие предварительно обученные сети в Deep Network Designer, нажав New.
Если необходимо загрузить сеть, нажмите кнопку Install, чтобы открыть Add-On Explorer.
Загрузите предварительно обученную VGG-16 сверточную нейронную сеть и исследуйте слои и классы.
Использование vgg16 для загрузки предварительно обученной VGG-16 сети. Область выхода net является 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 усвояемыми весами: 13 сверточных слоев и 3 полносвязные слои.
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, выученных сетью, можно просмотреть Classes свойство выходного слоя классификации (конечного слоя). Просмотрите первые 10 классов, задав 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] Russakovsky, O., Deng, J., Su, H., et al. «Большой масштабный вызов 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 preprint arXiv:1409.1556 (2014).
[4] Очень глубокие 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