主要内容

图像分类器

使用训练的深度学习神经网络对数据进行分类

全部展开页面
  • 库:

  • 深度学习工具箱/深度神经网络

  • 图像分类器块

描述

的图像分类器块通过使用块参数指定的经过训练的网络来预测输入数据的类标签。这个模块允许将预先训练好的网络加载到Simulink中金宝app®模型从一个mat文件或MATLAB®函数。

限制

  • 的图像分类器块不支持序列网络和多输入多输出金宝app网络(MIMO)。

  • 的图像分类器块不支持mat文件日志记录。金宝app

港口

输入

全部展开

一个h——- - - - - -w——- - - - - -c——- - - - - -N数字数组,h，w,c图像的高度、宽度和通道数量分别是和吗N为图像的个数。

一个N——- - - - - -numFeatures数字数组,N观察的次数是多少numFeatures为输入数据的特征个数。

如果数组包含南，然后通过网络传播。

输出

全部展开

预测的类标签与最高的分数，返回作为N-by-1枚举标签向量，其中N为观察次数。

预测分数，返回为aN——- - - - - -K矩阵,N是观察的次数，和K为类数。

与预测分数相关的标签，返回为N——- - - - - -K矩阵,N是观察的次数，和K为类数。

参数

全部展开

指定训练网络的源。选择以下其中之一:

  • 网络从MAT-file—从包含a的mat -文件中导入一个训练过的网络SeriesNetwork，DAGNetwork,或dlnetwork对象。

  • 网络从MATLAB函数-从MATLAB函数中导入一个预先训练好的网络。例如，通过使用googlenet函数。

编程使用

块参数:网络
类型:特征向量,字符串
价值观:“网络从MAT-file”|'网络从MATLAB函数'
默认值:“网络从MAT-file”

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。如果文件不在MATLAB路径上，则使用浏览按钮以定位文件。

依赖关系

要启用该参数，请设置网络参数网络从MAT-file．

编程使用

块参数:NetworkFilePath
类型:特征向量,字符串
价值观:mat -文件路径或名称
默认值:“untitled.mat”

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

依赖关系

要启用该参数，请设置网络参数网络从MATLAB函数．

编程使用

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

用于预测的小批量的大小，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:特征向量,字符串
价值观:正整数
默认值:“128”

根据网络的输入大小调整输入端口的数据大小。

编程使用

块参数:ResizeInput
类型:特征向量,字符串
价值观:“关闭”|“上”
默认值:“上”

使输出端口ypred输出得分最高的标签。

编程使用

块参数:分类
类型:特征向量,字符串
价值观:“关闭”|“上”
默认值:“上”

使输出端口分数和标签输出所有的预测分数和相关的类标签。

编程使用

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

模型的例子

在Simulink中用GoogLeNe金宝appt分类图像

在Simulink中用GoogLeNe金宝appt分类图像

在Simulink®中使用金宝app图像分类器块。该示例使用预先训练的深度卷积神经网络GoogLeNet进行分类。
在Simulink中使用深度学习对心电信号进行分金宝app类

在Simulink中使用深度学习对心电信号进行分金宝app类

在Simulink (R)模型中使用小波变换和深度学习网络对心电信号进行分类。金宝app这个例子使用了来自利用小波分析和深度学习对时间序列进行分类小波工具箱™的例子，以分类心电信号的图像从CWT的时间序列数据。有关培训的信息，请参见使用小波分析和深度学习对时间序列进行分类(小波工具箱)。

扩展功能

另请参阅

介绍了R2020b

深度学习工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书