主要内容

vgg16.

VGG-16卷积神经网络

页面上倒塌

句法

网= vgg16
net = vgg16（'权重'，'imagenet'）
层= vgg16（'权重'，'none'）

描述

VGG-16是一个卷积神经网络，深度为16层。您可以从ImageNet数据库中加载培训的网络培训的预磨损版本［1］。佩带的网络可以将图像分为1000个对象类别，例如键盘，鼠标，铅笔和许多动物。因此，该网络已经学习了丰富的图像的丰富特征表示。该网络具有224×224的图像输入大小。对于Matlab中的更多预用网络®， 看预训练的深度神经网络。

您可以使用分类使用VGG-16网络对新图像进行分类。follow使用googlenet对图像进行分类并用VGG-16替换Googlenet。

要在新的分类任务上重新培训网络，请按照步骤操作培训深度学习网络以分类新图像并加载vgg-16而不是googlenet。

例子

网= vgg16.返回在ImageNet数据集上培训的VGG-16网络。

此功能需要深入学习工具箱™模型对于VGG-16网络金宝app支持包。如果未安装此支持金宝app包，则该函数提供了下载链接。

网= vgg16（'权重'，'Imagenet'）返回在ImageNet数据集上培训的VGG-16网络。此语法相当于网= vgg16。

层数= vgg16（'权重'，'没有任何'）返回未培训的VGG-16网络架构。未经培训的模型不需要支持包。金宝app

例子

全部收缩

下载并安装深学习工具箱模型对于VGG-16网络金宝app支持包。

类型vgg16.在命令行。

vgg16.

如果是深度学习工具箱模型对于VGG-16网络金宝app如果没有安装支持包，则该函数提供一个链接到Add-On Explorer中所需的支持包。要安装支持包，请单击链接，然后金宝app单击安装。输入以下命令检查安装是否成功vgg16.在命令行。

vgg16.
[41×1 nnet.cnn.layer.Layer]
打开直播脚本

加载佩尔覆盖的VGG-16卷积神经网络，检查图层和类。

用vgg16.加载佩带的vgg-16网络。输出网是A.系列网络对象。

网= vgg16
net =具有属性的级系列网络：图层：[41×1 nnet.cnn.layer.Layer]

使用该网络架构查看网络架构层数财产。网络有41层。有16层具有可学习的重量：13个卷积层和3个完全连接的层。

网。层数
ANS = 41x1层阵列具有图层：1'输入'图像输入224x224x3图像与“Zerocenter”归一化2'CONC1_1'卷积64 3x3x3卷积与步幅[1 1]和填充[1 1 1 1] 3'Relu1_1'Relu Relu 4'conv1_2'卷积64 3x3x64卷曲的卷程[1 1]和填充[1 1 1 1] 5'relu1_2'relu Relu 6'pool1'最大池2x2 max池与步幅[2 2]和填充[0 0 0 0]7'conv2_1'卷积128 3x3x64围绕的卷曲[11]和填充[111 1] 8'CRANU2_1'CREU RELU 9'CONV2_2'卷积128 3X3X128卷绕升温[11]和填充[111 1]10'Relu2_2'Relu Relu 11'Pool2'最大汇集2x2 max汇集步进[2 2]和填充[0 0 0 0] 12'CONV3_1'卷积256 3x3x128卷曲的卷曲[1 1]和填充[1 1 1 1] 13'Relu3_1'Relu Relu 14'Conv3_2'卷积256 3x3x256卷积与步幅[11]和填充[111 1] 15'Relu3_2'Relu Relu 16'Conv3_3'卷积256 3x3x256卷积与步幅[1]和填充[1 1 1 1] 17'Relu3_3'Relu Relu 18'Pool3'Max3'MAX汇集2x2 MAX汇集步进[2 2]和填充[0 0 0 0] 19'CONV4_1'卷积512 3x3x256卷曲与阶段[1]和填充[1 1 1 1] 20'Relu4_1'Relu Relu 21'Conv4_2'卷积512 3x3x512卷积与步幅[1 1]和填充[1111] 22'CRANU4_2'Relu Relu 23'CONV4_3'卷积512 3X3X512卷积使用步幅[1 1]和填充[1 1 1 1] 24'CREU4_3'Relu Relu 25'POOL4'最大池2x2最大汇集步进[2 2]和填充[0 0 0 0] 26'CONV5_1'卷积512 3x3x512卷曲有脚步[11]和填充[1 1 1 1] 27'CRANU5_1'Relu Relu 28'CRAN5_2'卷积512 3X3X512卷积与步幅[111]和填充[111 1] 29'Relu5_2'Relu Relu 30'Conv5_3'卷积512 3x3x512卷曲的升温[11]和填充[1 1 1 1] 31'Relu5_3'Relu Relu 32'池5'最大池2x2 Max汇集步进[2 2]和填充[0 0 0 0] 33 'fc6' Fully Connected 4096 fully connected layer 34 'relu6' ReLU ReLU 35 'drop6' Dropout 50% dropout 36 'fc7' Fully Connected 4096 fully connected layer 37 'relu7' ReLU ReLU 38 'drop7' Dropout 50% dropout 39 'fc8' Fully Connected 1000 fully connected layer 40 'prob' Softmax softmax 41 'output' Classification Output crossentropyex with 'tench' and 999 other classes

要查看网络学习的类的名称，您可以查看班级分类输出层（最终层）的属性。通过指定前10个元素查看前10个类。

net.layers（结束）.classes（1:10）
ans =.10×1分类阵列Tench Goldfish Great White Shark Tiger Shark Hammerhead Electric Ray Stingray Cock Hen Ostrich

输出参数

全部收缩

佩带的VGG-16卷积神经网络作为一个系列网络对象。

未经训练的VGG-16卷积神经网络架构，作为一个返回层大批。

参考文献

［1］想象成。http://www.image-net.org.

[2] Russavsky，O.，Deng，J.，Su，H.等。“想象成大规模视觉认可挑战”。国际计算机愿景（IJCV）。第115卷，第3,2015，第211-252页

[3] Simonyan，Karen和Andrew Zisserman。“用于大规模图像识别的非常深的卷积网络。”arxiv预印迹arxiv：1409.1556（2014）。

[4]非常深的卷积网络，用于大规模视觉识别http://www.robots.ox.ac.uk/~vgg/research/very_deep/

扩展能力

也可以看看

||||||||

话题

在R2017A介绍

深度学习工具箱文档

金宝app

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书