负载预估计的网络

加载预验证的Googlenet网络。此步骤需要深度学习工具箱™模型对于Googlenet网络金宝app支持包。如果您没有安装所需的支持软件包，则该软件提供了下载链接。金宝app

您还可以选择加载一个不同的预贴网络进行图像分类。要尝试不同的预预性网络，请在MATLAB®中打开此示例，然后选择其他网络。例如，您可以尝试挤压，一个甚至比Googlenet。您可以使用其他验证的网络运行此示例。有关所有可用网络的列表，请参见负载预审慎的网络。

net =Googlenet；

您要分类的图像必须具有与网络输入大小相同的大小。对于Googlenet，层网络的属性是图像输入层。网络输入大小是输入图像输入层的属性。

inputsize = net.layers（1）.inputsize

inputsize =1×3224 224 3

最终元素层属性是分类输出层。这classNames该层的属性包含网络学到的类的名称。查看总计1000中的10个随机类名称。

classNames = net.layers（end）.classNames;numClasses = numel（classNames）;disp（classNames（randperm（numclasses，10）））

'papillon''鸡蛋''菠萝蜜''Castle'“睡袋”“ Redshank”“乐队辅助”“ WOK”“安全带”“橙色”

阅读和调整图像大小

阅读并显示要分类的图像。

i = imread（'peppers.png'）；图Imshow（i）

显示图像的大小。该图像为384 by-512像素，具有三个颜色通道（RGB）。

尺寸（i）

ans =1×3384 512 3

通过使用精加工。调整大小稍微改变了图像的纵横比。

i = imresize（i，InputSize（1：2））;图Imshow（i）

根据您的应用程序，您可能需要以不同的方式调整图像大小。例如，您可以使用I（1：InputSize（1），1：InputSize（2），:)。如果您有图像处理工具箱™，则可以使用Imcrop功能。

分类图像

对图像进行分类并使用类概率计算分类。网络将图像正确分类为铃铛胡椒。即使图像包含多个对象，也训练了用于分类的网络，以输出每个输入图像的单个标签。

[标签，分数] =分类（net，i）;标签

标签=分类灯笼椒

用预测的标签显示图像和具有该标签的图像的预测概率。

图IMShow（i）标题（字符串（标签） +“，”+ num2str（100*分数（classNames ==标签），3） +“％”）；

显示顶部预测

将前五名的标签及其相关的概率显示为直方图。由于网络将图像分类为许多对象类别，并且许多类别相似，因此在评估网络时通常考虑前五名的准确性是很常见的。该网络将图像分类为具有很高可能性的铃铛胡椒。

[〜，idx] = sort（得分，“下降”）；IDX = IDX（5：-1：1）;classNamestop = net.layers（end）.classNames（idx）;SCORESTOP = SCORES（IDX）;图BARH（SCORESTOP）XLIM（[0 1]）标题（“前5个预测”）xlabel（'可能性'）yticklabels（ClassNamestop）