Image Classifier
Классифицируйте данные с помощью обученной глубокой нейронной сети
- Библиотека:
Deep Learning Toolbox / Глубокие нейронные сети
Описание
Блок Image Classifier предсказывает метки класса для данных во входе при помощи обучившего сеть, заданного через параметры блоков. Этот блок позволяет загружать предварительно обученной сети в Simulink® модель из MAT-файла или из MATLAB® функция.
Ограничения
Блок Image Classifier не поддерживает сети последовательности, и несколько вводят и несколько выходных сетей (MIMO).
Блок Image Classifier не поддерживает логгирование MAT-файла.
Порты
Входной параметр
image — Отобразите или покажите данные
числовой массив
h-by-w-by-c-by-N числовой массив, где h, w и c являются высотой, шириной, и количеством каналов изображений, соответственно, и N, является количеством изображений.
N-by-numFeatures числовой массив, где N является количеством наблюдений и numFeatures количество функций входных данных.
Если массив содержит NaNs, затем они распространены через сеть.
Вывод
ypred — Предсказанные метки класса
перечислимый
Предсказанный класс помечает самым высоким счетом, возвращенным как N-by-1 перечисленный вектор из меток, где N является количеством наблюдений.
scores — Предсказанные баллы класса
матрица
Предсказанные баллы, возвращенные как N-by-K матрица, где N является количеством наблюдений и K, являются количеством классов.
labels — Класс помечает для предсказанных баллов
матрица
Метки сопоставили с предсказанными баллами, возвращенными как N-by-K матрица, где N является количеством наблюдений, и K является количеством классов.
Параметры
Network — Источник для обучившего сеть
Network from MAT-file (значение по умолчанию) | Network from MATLAB function
Задайте источник для обучившего сеть. Выберите одно из следующего:
Network from MAT-file— Импортируйте обучивший сеть из MAT-файла, содержащегоSeriesNetwork,DAGNetwork, илиdlnetworkобъект.Network from MATLAB function— Импортируйте предварительно обученную сеть из функции MATLAB. Например, при помощиgooglenetфункция.
Программируемое использование
Параметры блоков: Network |
| Ввод: вектор символов, строка |
Значения: 'Network from MAT-file' | 'Network from MATLAB function' |
Значение по умолчанию: 'Network from MAT-file' |
File path — MAT-файл, содержащий, обучил сеть
untitled.mat (значение по умолчанию) | путь к MAT-файлу или имя
Этот параметр задает имя MAT-файла, который содержит обученную нейронную сеть для глубокого обучения, чтобы загрузить. Если файл не находится на пути MATLAB, используйте кнопку Browse, чтобы определить местоположение файла.
Зависимости
Чтобы включить этот параметр, установите параметр Network на Network from MAT-file.
Программируемое использование
Параметры блоков: NetworkFilePath |
| Ввод: вектор символов, строка |
| Значения: путь к MAT-файлу или имя |
Значение по умолчанию: 'untitled.mat' |
MATLAB function — Имя функции MATLAB
squeezenet (значение по умолчанию) | имя функции MATLAB
Этот параметр задает имя функции MATLAB для предварительно обученной нейронной сети для глубокого обучения. Например, использовать googlenet функционируйте, чтобы импортировать предварительно обученную модель GoogLeNet.
Зависимости
Чтобы включить этот параметр, установите параметр Network на Network from MATLAB function.
Программируемое использование
Параметры блоков: NetworkFunction |
| Ввод: вектор символов, строка |
| Значения: имя функции MATLAB |
Значение по умолчанию: 'squeezenet' |
Mini-batch size — Размер мини-пакетов
128 (значений по умолчанию) | положительное целое число
Размер мини-пакетов, чтобы использовать для предсказания в виде положительного целого числа. Большие мини-пакетные размеры требуют большей памяти, но могут привести к более быстрым предсказаниям.
Программируемое использование
Параметры блоков: MiniBatchSize |
| Ввод: вектор символов, строка |
| Значения: положительное целое число |
Значение по умолчанию: '128' |
Resize input — Измените размер входных размерностей
on (значение по умолчанию) | off
Измените размер данных во входном порту к входному размеру сети.
Программируемое использование
Параметры блоков:
ResizeInput |
| Ввод: вектор символов, строка |
Значения:
'off' | 'on' |
Значение по умолчанию:
'on' |
Classification — Выведите предсказанную метку с самым высоким счетом
on (значение по умолчанию) | off
Включите выходному порту ypred это выводит метку с самым высоким счетом.
Программируемое использование
Параметры блоков: Classification |
| Ввод: вектор символов, строка |
Значения: 'off' | 'on' |
Значение по умолчанию: 'on' |
Predictions — Выведите все баллы и сопоставленные метки
off (значение по умолчанию) | on
Включите выходным портам scores и labels тот выход все предсказанные баллы и сопоставленные метки класса.
Программируемое использование
Параметры блоков: Predictions |
| Ввод: вектор символов, строка |
Значения: 'off' | 'on' |
Значение по умолчанию: 'off' |
Примеры модели
Расширенные возможности
Генерация кода C/C++
Генерация кода C и C++ с помощью Simulink® Coder™.
Указания и ограничения по применению:
Параметр Language в Configuration Parameters> Code Generation общая категория должен быть установлен на
C++.Для основанных на ERT целей параметра Support: variable-size signals в Code Generation> должна быть включена панель Interface.
Для списка сетей и слоев, поддержанных для генерации кода, смотрите Сети и Слои, Поддержанные для Генерации кода (MATLAB Coder).
Генерация кода графического процессора
Сгенерируйте код CUDA® для NVIDIA® графические процессоры с помощью GPU Coder™.
Указания и ограничения по применению:
Параметр Language в Configuration Parameters> Code Generation общая категория должен быть установлен на
C++.Для списка сетей и слоев, поддержанных для CUDA® генерация кода, смотрите Поддерживаемые Сети, Слои и Классы (GPU Coder).
Чтобы узнать больше о генерации кода для моделей Simulink, содержащих блок Image Classifier, смотрите Генерацию кода для Глубокого обучения Модель Simulink, чтобы Классифицировать Сигналы ECG (GPU Coder).