负载Pretrained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GoogLeNet网络金宝app支持包。如果您没有安装所需的支持包，那么该软件将提供下载链接。金宝app

您还可以选择加载一个不同的预先训练的网络来进行图像分类。为了尝试一个不同的预训练网络，在MATLAB®中打开这个示例并选择一个不同的网络。例如，你可以试试squeezenet，这个网络甚至比googlenet．您可以在其他预先训练过的网络上运行这个示例。有关所有可用网络的列表，请参见负载Pretrained网络．

网=googlenet;

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

.InputSize inputSize = net.Layers (1)

inputSize =1×3224 224 3

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个随机类名中查看10个。

一会= net.Layers .ClassNames(结束);numClasses =元素个数(类名);disp(类名(randperm (numClasses 10)))

蝴蝶、蛋奶酒、菠萝蜜、城堡、睡袋、红腿、创可贴、炒锅、安全带、橙色

读取并调整图像大小

阅读并展示你想分类的图像。

我= 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。将图像调整为网络的输入大小imresize．这个大小调整稍微改变了图像的宽高比。

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

根据应用程序的不同，您可能需要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™，那么您可以使用imcrop函数。

图像的分类

使用分类图像并计算类概率分类．网络正确地将图像分类为甜椒。分类网络被训练为为每个输入图像输出单个标签，即使图像包含多个目标。

(标签,分数)=分类(净,我);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(string(label) +”、“+ num2str(100*scores(classNames == label)，3) +“%”）;

显示前预测

以直方图的形式显示前5个预测标签及其相关的概率。由于网络将图像分类为如此多的对象类别，而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精度。该网络将图像分类为一个高概率的甜椒。

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