深度学习图像分类

阿维这周选的是AlexNet网络的深度学习工具箱模型,通过深度学习工具箱团队．AlexNet是一个预先训练的1000级图像分类器，使用深度学习更具体地是卷积神经网络（CNN）。支持包可金宝app轻松访问此功能强大的模型，以帮助快速启动Matlab的深度学习。

内容

在MATLAB中访问预先训练的模型

一旦下载并安装了支持包，就可以将预先训练过的模型加载到MATLAB中。金宝app

网= alexnet

net = SeriesNetwork with properties: Layers: [25×1 net.cnn.layer. layer]

查看网络体系结构

现在让我们快速看一下深层神经网络的结构。

Net.Layers.

ANS = 25x1层阵列，带有图层：1'数据'图像输入227x227x3与“Zerocenter”归一化2'卷积2'CROM1'卷积96 11x11x3卷绕卷曲[4 4]和填充[0 0] 3'Relu1'Relu Relu 4'NOM1'跨通道归一化交叉通道归一化与5个通道每个元素5'池1'最大池3x3 max池与步幅[2 2]和填充[0 0] 6'CONV2'卷积256 5x5x48卷积与步幅[1 1]和填充[2 2] 7'Relu2'Relu Relu 8'MORM2'跨通道归一化交叉通道归一化，每个元素9'POOP2'最大池3x3最大汇集3×3最大汇集[2 2]和填充[0 0] 10'CONV3'卷积384 3x3x256卷曲卷发[1 1]和填充[1 1] 11'CRECU3'Relu Relu 12'CONV4'卷积384 3X3X192卷曲与步幅[1 1]和填充[1 1] 13'Relu4'Relu Relu 14'CRAN5'卷积256 3x3x192卷曲的卷曲[1 1]和填充[1 1] 15'Relu5'Relu Relu 16'Pool5'MAX池3x3 max池梯长[2 2]和填充[0 0] 17'FC6'完全连接4096完全连接的层18'Relu6'Relu Relu 19'Drop6'丢弃50％丢弃20'FC7'完全连接的4096完全连接的层21'Relu7'Relu Relu 22'Drop7'丢弃50％掉落23'FC8'完全连接1000完全连接的层24'Qual'SoftMax Softmax 25'输出'分类输出交叉熵与“Tench”，'金鱼'和998其他类

分类图像

现在让我们尝试使用深度学习对图像进行分类。我们需要调整输入图像的大小以匹配在分类图像之前匹配的网络输入为227 x 227像素。

我= imread ('键盘.jpg')；%调整图像大小深圳= net.Layers(1)。InputSize I = imresize(I，[sz(1) sz(2)]);使用AlexNet对图像进行分类标签=分类（网络，i）％显示图像和分类结果数字imshow（i）文本（10,20，char（标签），'颜色'，“白色”）

SZ = 227 227 3标签=打字机键盘

关于深度学习的更多信息

要了解有关深度学习的更多信息以及如何为不同的任务重新列车alexnet模型，请查看示例这个网络研讨会使用AlexNet来区分不同种类的工具。