负载Pretrained网络

加载预先训练好的GoogLeNet网络。这一步需要深度学习工具箱™模型GoogLeNet网络金宝app支持包。如果您没有安装所需的支持包，则该软件提供一个下载链接。金宝app

您也可以选择加载不同的预训练网络进行图像分类。要尝试不同的预训练网络，请在MATLAB®中打开此示例并选择不同的网络。例如，你可以试试squeezenet网络的速度甚至比googlenet．您可以在其他经过预处理的网络上运行此示例。有关所有可用网络的列表，请参见负载Pretrained网络．

网=googlenet;

要分类的图像的大小必须与网络的输入大小相同。对于GoogLeNet，第一个元素层网络的属性是图像输入层。网络输入大小为InputSize属性的图像输入层。

.InputSize inputSize = net.Layers (1)

inputSize =1×3224 224 3

最后一个元素层属性是分类输出层。的一会属性包含网络学习的类的名称。在总共1000个类名中查看10个随机类名。

一会= net.Layers .ClassNames(结束);numClasses =元素个数(类名);disp(类名(randperm (numClasses 10)))

“蝴蝶”“蛋酒”“菠萝蜜”“城堡”“睡袋”“红脚”“创可贴”“炒锅”“安全带”“橙色”

读取并调整图像大小

读取并显示您想要分类的图像。

我= imread (“peppers.png”）;图imshow(我)

显示图像的大小。图像是384 × 512像素，有三个颜色通道(RGB)。

大小(我)

ans =1×3384 512 3

使用，将图像的大小调整为网络的输入大小imresize．这个调整稍微改变了图像的长宽比。

我= imresize(我inputSize (1:2));图imshow(我)

根据您的应用程序，您可能需要以不同的方式调整图像的大小。例如，您可以使用以下方法裁剪图像的左上角我(1:inputSize (1), 1: inputSize (2):)．如果您有图像处理工具箱™，那么您可以使用imcrop函数。

图像的分类

分类图像和计算类概率使用分类．网络正确地将图像分类为甜椒。一个分类网络被训练为每个输入图像输出一个标签，即使图像包含多个对象。

(标签,分数)=分类(净,我);标签

标签=分类甜椒

显示带有预测标签的图像以及该图像具有该标签的预测概率。

图imshow(I)标题(字符串(标签)+”、“+ num2str(100*scores(classNames == label)，3) +“%”）;

显示前预测

以直方图的形式显示前5个预测标签及其相关概率。由于网络将图像分类为许多物体类别，而且许多类别是相似的，所以在评估网络时通常考虑前5个精度。网络以很高的概率将图像分类为甜椒。

[~, idx] =排序(分数,“下”）;idx = idx (5: 1:1);classNamesTop = net.Layers(结束).ClassNames (idx);scoresTop =分数(idx);图barh(scoresTop) xlim([0 1])标题(“5大预言”)包含(“概率”) yticklabels (classNamesTop)