负载Pretrained网络

加载预训练GoogLeNet网络。这一步需要深度学习工具箱™模式对于GoogLeNet网络金宝app支持包。如果您没有安装必要的支持包做，那么该软件提供了下载链接。金宝app

您也可以选择加载图像分类的不同预训练网络。尝试不同的预训练网络，打开MATLAB®这个例子中，选择不同的网络。例如，你可以试试squeezenet，一个网络，甚至比快googlenet。您可以使用其他预训练的网络运行此示例。有关所有可用网络的列表，请参见负载Pretrained网络。

网=googlenet;

要分类必须有大小与网络的输入大小相同的图像。对于GoogLeNet，的第一元件图层网络的属性是图像输入层。网络的输入的大小是InputSize图像输入层的属性。

inputSize = net.Layers（1）.InputSize

inputSize =1×3224 224 3

的最终元件图层属性是分类输出层。该类名此层的属性包含网络上了解到的类的名称。查看10名随机类名在总共1000。

类名= net.Layers（结束）.ClassNames;numClasses = numel（类名）;DISP（类名（randperm（numClasses，10）））

“papillon”“eggnog”“jackfruit”“castle”“睡袋”“redshank”“Band Aid”“wok”“seat belt”“orange”

读取并调整图像大小

阅读并表明要分类的图像。

I = imread（'peppers.png');图imshow（I）

显示图像的大小。该图像是384逐512像素，并且具有三个颜色通道（RGB）。

大小（I）

ANS =1×3384 512 3

通过使用图像的大小调整为网络的输入大小imresize。此调整大小稍有改变图像的高宽比。

I = imresize（I，inputSize（1：2））;图imshow（I）

根据您的应用程序，你可能要调整大小以不同的方式形象。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imcrop功能。

分类图片

分类的图像，并使用计算类概率分类。该网络正确地将图像分类为灯笼椒。一个用于分类的网络被训练为为每个输入图像输出单个标签，即使图像包含多个对象。

[标号，分数] =分类（净，I）;标签

标签=明确的甜椒

显示与所预测的标签和具有该标签的图像的预测概率图像。

图imshow(I) title(string(label) +", "+ num2str（100个*得分（类名==标签），3）+“％”);

显示前预测

显示前五大预测标签和它们相关联的概率为柱状图。由于网络图像分类到这么多的对象类别，许多类是相似的，这是常见的网络评估时要考虑的五大精度。网络分类的图像作为具有高概率的甜椒。

[~,idx] =排序(分数,“降序”);idx = idx (5: 1:1);classNamesTop = net.Layers(结束).ClassNames (idx);scoresTop =分数(idx);图barh(scoresTop) xlim([0 1])“5大预言”)包含('可能性'）yticklabels（classNamesTop）