负荷预训练网络

加载预先训练好的GoogLeNet网络。这一步需要深度学习工具箱™模型为GoogLeNet网络金宝app支持包。如果您没有安装所需的支持包，则该软件提供下载链接。金宝app

你也可以选择加载不同的预训练网络进行图像分类。要尝试不同的预训练网络，请在MATLAB®中打开此示例并选择不同的网络。例如，你可以试试squeezenet这个网络甚至比googlenet．您可以在其他预训练的网络上运行此示例。有关所有可用网络的列表，请参见负载预训练网络．

网=googlenet;

要分类的图像必须与网络的输入大小相同。的第一个元素层网络的属性是图像输入层。网络输入大小为InputSize属性的图像输入层。

inputSize = net.Layers(1).InputSize

inputSize =1×3224 224 3

的最后一个元素层属性是分类输出层。的一会属性包含网络学习到的类的名称。从1000个类名中随机查看10个。

classNames = net.Layers(end).ClassNames;numClasses = numel(classNames);disp(类名(randperm (numClasses 10)))

“蝶耳犬”、“蛋酒”、“菠萝蜜”、“城堡”、“睡袋”、“红腿”、“创可贴”、“炒锅”、“安全带”、“橙子”

读取和调整图像大小

读取并显示要分类的图像。

I = imread(“peppers.png”）;图imshow(我)

显示图像的大小。图像是384 × 512像素，有三个颜色通道(RGB)。

大小(我)

ans =1×3384 512 3

使用将图像大小调整为网络的输入大小imresize．这种调整会略微改变图像的纵横比。

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

根据应用程序的不同，您可能希望以不同的方式调整图像的大小。例如，您可以使用我(1:inputSize (1), 1: inputSize (2):)．如果您有图像处理工具箱™，则可以使用imcrop函数。

图像的分类

分类图像，并计算类概率使用分类．该网络正确地将图像分类为灯笼椒。训练用于分类的网络为每个输入图像输出单个标签，即使图像包含多个对象。

[label,scores] = category (net,I);标签

标签=分类甜椒

显示带有预测标签的图像和具有该标签的图像的预测概率。

图imshow(I) title(字符串(标签)+”、“+ num2str(100*scores(classNames == label)，3) +“%”）;

显示顶部预测

以直方图的形式显示前五个预测标签及其相关概率。由于网络将图像划分为如此多的对象类别，并且许多类别是相似的，因此在评估网络时，通常会考虑前五名的准确性。该网络以高概率将图像分类为灯笼椒。

[~，idx] = sort(scores，“下”）;Idx = Idx (5:-1:1);classNamesTop = net.Layers(end).ClassNames(idx);scoresTop = scores(idx);图barh(scoresTop) xlim([0 1])“五大预测”)包含(“概率”) yticklabels (classNamesTop)