主要内容

预测

使用训练过的深度学习神经网络预测反应

展开全部页面
  • 库:

  • 深度学习工具箱/深度神经网络

  • 预测块

描述

的预测Block通过使用通过Block参数指定的训练网络来预测输入数据的响应。此块允许将预先训练好的网络加载到Simulink中金宝app®从mat文件或MATLAB的模型®函数。

请注意

使用预测block在Simulink中进行预测。金宝app要使用MATLAB代码以编程方式进行预测，请使用分类而且预测功能。

港口

输入

全部展开

接口的输入端口预测块接受所加载网络的输入层的名称。例如，如果您指定googlenet为MATLAB函数，则输入端口的预测块被标记数据．根据加载的网络，预测块的输入可以是图像、序列或时间序列数据。

输入的格式取决于数据的类型。

数据 预测词的格式
二维图像 一个h——- - - - - -w——- - - - - -c——- - - - - -N数字数组，其中h，w,c图像的高度、宽度和通道数分别是和N是图像的数量。
向量序列 c——- - - - - -年代矩阵,c序列特征的数量和年代是序列长度。
二维图像序列 h——- - - - - -w——- - - - - -c——- - - - - -年代数组,h，w,c分别对应图像的高度、宽度和通道数，和年代是序列长度。
特性 一个N——- - - - - -numFeatures数字数组，其中N观察的次数和numFeatures输入数据的特征数。

如果数组包含南S，然后它们在网络中传播。

输出

全部展开

端口的输出端口预测块获取加载的网络输出层的名称。例如，如果您指定googlenet为MATLAB函数，则输出端口的预测块被标记输出．基于网络加载，输出的预测Block可以表示预测的分数或反应。

预测分数或回答，作为a返回N——- - - - - -K数组,N是观察数，和K是类的数量。

如果你启用激活对于网络层，使用预测块使用所选网络层的名称创建一个新的输出端口。该端口输出所选网络层的激活。

网络层的激活作为数字数组返回。输出的格式取决于输入数据的类型和层输出的类型。

对于2-D图像输出，激活是一个h——- - - - - -w——- - - - - -c——- - - - - -n数组,h，w,c所选层的输出的高度、宽度和通道数分别是和n是图像的数量。

对于包含矢量数据的单个时间步长，激活是ac——- - - - - -n矩阵,n序列数是和吗c是序列中特征的数量。

对于包含二维图像数据的单个时间步长，激活是一个h——- - - - - -w——- - - - - -c——- - - - - -n数组,n是序列数，h，w,c分别是图像的高度、宽度和通道数。

参数

全部展开

为训练过的网络指定源。选择以下其中一项:

  • mat文件中的网络—从MAT-file中导入训练好的网络SeriesNetwork，DAGNetwork,或dlnetwork对象。

  • 来自MATLAB的网络函数-从MATLAB函数中导入预训练的网络。例如，通过使用googlenet函数。

编程使用

块参数:网络
类型:字符向量，字符串
价值观:来自mat文件的网络|“网络来自MATLAB函数”
默认值:来自mat文件的网络

此参数指定包含要加载的经过训练的深度学习网络的mat文件的名称。如果该文件不在MATLAB路径上，请使用浏览按钮，定位文件。

依赖关系

若要启用此参数，请设置网络参数mat文件中的网络．

编程使用

块参数:NetworkFilePath
类型:字符向量，字符串
价值观:mat文件的路径或名称
默认值:“untitled.mat”

此参数指定预先训练的深度学习网络的MATLAB函数的名称。例如，使用googlenet函数导入预先训练好的GoogLeNet模型。

依赖关系

若要启用此参数，请设置网络参数来自MATLAB的网络函数．

编程使用

块参数:NetworkFunction
类型:字符向量，字符串
价值观:MATLAB函数名
默认值:“squeezenet”

用于预测的小批的大小，指定为正整数。更大的迷你批处理需要更多的内存，但可以导致更快的预测。

编程使用

块参数:MiniBatchSize
类型:字符向量，字符串
价值观:正整数
默认值:“128”

启用返回预测分数或响应的输出端口。

编程使用

块参数:预测
类型:字符向量，字符串
价值观:“关闭”|“上”
默认值:“上”

使用激活列表来选择要从中提取特征的层。的输出端口显示所选层预测块。

编程使用

块参数:激活
类型:字符向量，字符串
价值观:的形式的字符向量' {' layerName1 ', layerName2”、…}”
默认值:”

模型的例子

基于深度学习的Simulink车道和车辆检测金宝app

基于深度学习的Simulink车道和车辆检测金宝app

在Simulink®模型中使用深度卷积神经网络来执行车道和车辆检测。金宝app本例以交通视频中的帧作为输入，输出对应于自我车辆左右车道的两个车道边界，并检测帧中的车辆。
打开脚本

扩展功能

版本历史

R2020b中介绍

另请参阅

||