比较Pretrained网络

预先训练的网络有不同的特点，这在选择网络应用于你的问题时很重要。最重要的特征是网络的准确性、速度和大小。选择一个网络通常是在这些特征之间的权衡。使用下面的图来比较ImageNet验证的准确性和使用网络进行预测所需的时间。

一个好的网络具有较高的准确性和速度。该图显示了使用现代GPU (an英伟达^®特斯拉^®P100)和128个小批量。预测时间是相对于最快的网络进行测量的。每个标记的面积与磁盘上的网络大小成比例。

ImageNet验证集上的分类准确性是衡量在ImageNet上训练的网络的准确性最常用的方法。在ImageNet上准确的网络，在使用迁移学习或特征提取将它们应用到其他自然图像数据集时，通常也是准确的。这种泛化是可能的，因为网络已经学会从自然图像中提取强大的、信息丰富的特征，从而泛化到其他类似的数据集。然而，ImageNet上的高精度并不总是直接传输到其他任务，因此尝试多个网络是一个好主意。

如果您想使用受限的硬件或通过Internet分发网络来执行预测，那么也要考虑磁盘和内存中网络的大小。

负载Pretrained网络

要加载SqueezeNet网络，输入squeezenet在命令行。

网= squeezenet;

对于其他网络，请使用以下功能：googlenet从Add-On Explorer获取下载预先训练过的网络的链接。

下表列出了在ImageNet上训练的可用预训练网络及其一些属性。网络深度定义为从输入层到输出层的路径上顺序卷积层或全连接层的最大数量。所有网络的输入都是RGB图像。

*NASNet移动网络和NASNet大型网络不包含模块的线性序列。

可视化预训练网络

您可以加载和可视化预先训练的网络使用深层网络设计师．

deepNetworkDesigner (squeezenet)

要查看和编辑图层属性，选择一个图层。单击图层名称旁边的帮助图标获取有关图层属性的信息。

探索其他预先训练的网络在深度网络设计师通过点击新．

如果需要下载网络，请单击安装打开加载项资源管理器。

特征提取

特征提取是一种使用深度学习力量的简单而快速的方法，无需投入时间和精力来训练整个网络。因为它只需要对训练图像进行一次遍历，所以如果你没有GPU，它特别有用。你使用预先训练的网络提取学习的图像特征，然后使用这些特征来训练分类器，例如使用支持向量机金宝appfitcsvm（统计和机器学习工具箱）．

当新数据集非常小时，尝试特征提取。由于您只需对提取的特征训练一个简单的分类器，因此训练速度很快。由于可供学习的数据很少，因此对网络更深层次的微调也不太可能提高准确性。

resnet通常是很好的特性提取器。有关如何使用预训练网络进行特征提取的示例，请参见利用预训练网络提取图像特征．

转移学习

您可以通过使用预先训练过的网络作为起点，在新的数据集中训练网络，从而对网络中的更深层次进行微调。用迁移学习对一个网络进行微调通常比构建和训练一个新网络更快、更容易。网络已经学习了一组丰富的图像特性，但是当您对网络进行微调时，它可以学习特定于新数据集的特性。如果你有一个非常大的数据集，那么迁移学习可能不会比从头开始训练更快。

微调网络比简单的特征提取更慢，需要更多的努力，但由于网络可以学习提取不同的特征集，最终的网络通常更精确。只要新数据集不是很小，微调通常比特征提取效果更好，因为这样网络就有数据可以从中学习新特征。有关如何执行迁移学习的示例，请参见使用深度网络设计师进行迁移学习和训练深度学习网络对新图像进行分类．

进出口网络

您可以从TensorFlow导入网络和网络架构^®-Keras、Caffe和ONNX™(Open Neural Network Exchange)模型格式。您还可以将训练过的网络导出为ONNX模型格式。

音频应用的预训练网络

通过使用深度学习工具箱和音频工具箱™，将预先训练好的网络用于音频和语音处理应用程序。

音频工具箱提供了经过预训练的VGISH和YAMNet网络。使用VGISH（音频工具箱）和yamnet（音频工具箱）功能直接与预先训练的网络交互。的classifySound（音频工具箱）函数对YAMNet执行所需的预处理和后处理，以便您可以将声音定位并分类到521个类别中的一个。控件可以探索YAMNet本体yamnetGraph（音频工具箱）函数。的vggishFeatures（音频工具箱）函数对VGGish进行必要的预处理和后处理，以便提取特征嵌入，输入到机器学习和深度学习系统。有关在音频应用程序中使用深度学习的更多信息，请参见音频应用的深度学习简介（音频工具箱）．

使用VGGish和YAMNet执行迁移学习和特征提取。例如，请参见基于预训练音频网络的迁移学习（音频工具箱）．