vgg19
vgg19卷积神经网络
描述
VGG-19是一个卷积神经网络，有19层深度。您可以在ImageNet数据库的100多万张图像上加载预先训练过的网络版本[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®,请参阅普里德深度神经网络．
您可以使用分类利用vgg19网络对新图像进行分类。遵循以下步骤使用GoogLeNet分类图像并用VGG-19替换Googlenet。
要重新训练网络进行新的分类任务，请遵循以下步骤培训深度学习网络以分类新图像加载VGG-19而不是GoogLeNet。
网= vgg19（'重量'，“imagenet”）net = vgg19.．
层= vgg19（'重量'，“没有”）
例子
下载VGG-19支持包金宝app
这个例子展示了如何下载和安装深度学习工具箱模型VGG-19网络金宝app支持包。
类型vgg19在命令行。
vgg19
如果是深度学习工具箱模型VGG-19网络金宝app不安装支持包，然后该函数提供了在附加资源管理器中的所需支持包的链接。要安装支持包，请单击“链接”，金宝app然后单击安装．通过键入检查安装是否成功vgg19在命令行。
vgg19
ans = SeriesNetwork with properties: Layers: [47×1 net.cnn.layer. layer]
使用深层网络设计器可视化网络。
deepNetworkDesigner (vgg19)
点击探索深网络设计师中的其他预磨损网络新的．
如果您需要下载网络，请单击安装以打开附加组件资源管理器。
负载预训练vgg19卷积神经网络
加载一个预先训练的vgg19卷积神经网络并检查层和类。
采用vgg19加载佩带的vgg-19网络。输出网是一个SeriesNetwork目的。
net = vgg19.
NET =具有属性的级系列网络：图层：[47×1 nnet.cnn.layer.Layer]
使用命令查看网络架构层财产。这个网络有47层。有19个具有可学习权值的层:16个卷积层和3个完全连接层。
net.layers.
ANS = 47x1层阵列，带有图层：1'输入'图像输入224x224x3与“Zerocenter”归一化2'Conv1_1'卷积64 3x3x3卷积的卷积[11]和填充[111 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'Conv3_4'卷积256 3x3x256卷绕升温[111]和填充[111 1] 19'Creu3_4'Relu Relu 20'Pool3'MAX池2x2 max池步幅[2]和填充[0 0 0 0] 21'CROM4_1'卷积512 3x3x256卷曲的卷曲[1 1]和填充[111 1] 22'CRACU4_1'Relu Relu 23'CONV4_2'卷积512 3X3X512卷积使用步幅[11]和填充[11 1 1] 24'Relu4_2'Relu Relu 25'Conv4_3'卷积512 3x3x512卷积与升序[111]和填充[111 1] 26'Relu4_3'Relu Relu 27'Conv4_4'卷积512 3x3x512卷曲卷曲[111]和填充[1 1 1 1] 28'Relu4_4'Relu Relu 29'Pool4'最大汇集2x2 max汇集步进[2 2]和填充[0 0 0 0] 30'conv5_1'卷积512 3x3x512卷曲的升温[1 1]和填充[1 1 1 1] 31'CRANU5_1'Relu Relu 32'Conv5_2'卷积512 3x3x512卷积与步幅[11]和填充[111 1] 33 'relu5_2' ReLU ReLU 34 'conv5_3' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 35 'relu5_3' ReLU ReLU 36 'conv5_4' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 37 'relu5_4' ReLU ReLU 38 'pool5' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0] 39 'fc6' Fully Connected 4096 fully connected layer 40 'relu6' ReLU ReLU 41 'drop6' Dropout 50% dropout 42 'fc7' Fully Connected 4096 fully connected layer 43 'relu7' ReLU ReLU 44 'drop7' Dropout 50% dropout 45 'fc8' Fully Connected 1000 fully connected layer 46 'prob' Softmax softmax 47 'output' Classification Output crossentropyex with 'tench' and 999 other classes
要查看网络学习的类的名称，您可以查看类分类输出层（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). class (1:10)
ans =10×1分类数组坦奇金鱼大白鲨虎鲨双髻鲨电鳐黄貂鱼公鸡母鸡鸵鸟
输出参数
参考
[1]ImageNet．http://www.image-net.org.
[2] Russakovsky, O.， Deng J.， Su H.， et al. " ImageNet大规模视觉识别挑战。"国际计算机视觉杂志(IJCV)．2015年第3期，第115卷，211-252页
[3] Simonyan, Karen和Andrew Zisserman。“用于大规模图像识别的非常深度卷积网络”。
［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/
扩展功能
另请参阅
AlexNet.|深层网络设计师|DeepDreamImage.|densenet201|googlenet|InceptionResNetv2.|resnet101|resnet18|resnet50.|squeezenet|vgg16
您还可以从以下列表中选择一个网站：
