这个例子展示了如何使用预先训练的深度卷积神经网络GoogLeNet对图像进行分类。
GoogLeNet已经对超过100万张图片进行了训练,并可以将图片分类为1000个对象类别(比如键盘、咖啡杯、铅笔和许多动物)。该网络为广泛的图像学习了丰富的特征表示。该网络以图像作为输入,然后输出图像中对象的标签以及每个对象类别的概率。
加载预先训练好的google网络。您也可以选择加载一个不同的预训练网络来进行图像分类。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,那么该软件将提供一个下载链接。金宝app
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,网络输入大小是输入
属性的图像输入层。
读取要分类的图像,并将其调整为网络的输入大小。这个调整大小会稍微改变图像的宽高比。
我= imread (“peppers.png”);inputSize = net.Layers (1) .InputSize;我= imresize(我inputSize (1:2));
用预测的标签对图像进行分类和显示。
标签=分类(网络,i);图imshow(i)标题(字符串(标签))
有关如何显示顶级预测及其相关概率的更详细示例,请参见使用谷歌网分类图像.
对于深度学习的下一步,您可以使用预训练的网络来完成其他任务。通过迁移学习或特征提取解决图像数据上的新的分类问题。有关示例,请参见使用迁移学习更快地开始深度学习和利用从预先训练的网络中提取的特征训练分类器.尝试其他预先训练过的网络预训练的深度神经网络.
Szegedy, Christian, Liu Wei, Jia Yangqing, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke和Andrew Rabinovich。“在曲折中走得更深。”在计算机视觉与模式识别IEEE会议论文集,pp。1-9。2015年。
BVLC GoogLeNet模型.https://github.com/BVLC/caffe/tree/master/models/bvlc_googlenet