负载净化网络

加载预制googlenet网络。此步骤需要深度学习工具箱™模型对于Googlenet网络金宝app支持包。如果您没有安装所需的支持包，则软件提供了下载链接。金宝app

您还可以选择加载不同的预制网络以进行图像分类。要尝试不同的净修网络，请在MATLAB®中打开此示例，然后选择不同的网络。例如，你可以尝试挤压，一个甚至更快的网络googlenet.。您可以使用其他佩带的网络运行此示例。有关所有可用网络的列表，请参阅加载净化网络。

净=googlenet;

您要分类的图像必须具有与网络的输入大小相同的大小。对于googlenet，第一个元素层数网络的属性是图像输入层。网络输入大小是输入图像输入层的属性。

InputSize = Net.Layers（1）.InputSize

InputSize =1×3.224 224 3.

最终的元素层数属性是分类输出层。这Classnames.此图层的属性包含网络学习的类的名称。查看总计1000的10个随机类名称。

ClassNames = Net.Layers（END）.Classnames;numclasses = numel（classnames）;DISP（CLASSNMES（RANDPERM（NUMCLASES，10）））

'Papillon''eggng''Jarkfruit''Castle''''睡袋''Redshank''乐队援助''Wok'''''''''''''''''''''''''''）

读取并调整图像大小

读取并显示要对的图像进行分类。

我= imread（'peppers.png'）;图imshow（i）

显示图像的大小。图像是384-×512像素，具有三个颜色通道（RGB）。

尺寸（i）

ans =.1×3.384 512 3.

通过使用将图像的大小调整为网络的输入大小imresize.。该调整大小略微改变图像的纵横比。

i = imresize（i，输入（1：2））;图imshow（i）

根据您的应用程序，您可能希望以不同的方式调整图像大小。例如，您可以通过使用裁剪图像的左上角i（1：InputSize（1），1：InputSize（2），:)。如果您有图像处理工具箱™，那么您可以使用im功能。

分类图像

分类图像并计算类概率使用分类。网络将图像正确分类为甜椒。即使图像包含多个对象，也会训练用于分类的网络以输出每个输入图像的单个标签。

[标签，分数] =分类（网络，i）;标签

标签=分类灯笼椒

使用预测标签和具有该标签的图像的预测概率显示图像。

图imshow（i）标题（字符串（标签）+“，”+ num2str（100 *分数（ClassNames == Label），3）+“％”）;

展示最重要的预测

显示前五个预测标签及其相关概率作为直方图。由于网络将图像分类为如此多的对象类别，并且许多类别相似，因此很常见，以考虑评估网络时的前五个精度。网络将图像分类为具有高概率的甜椒。

[〜，IDX] =排序（分数，“下降”）;IDX = IDX（5：-1：1）;ClassNamestop = Net.Layers（END）.Classnames（IDX）;scorestop =得分（IDX）;图Barh（Scorestop）XLIM（[0 1]）标题（'前5名预测'）Xlabel（'可能性'）yticklabels（ClassNamestop）