最新のリリースでは，このページがまだ翻訳されていません。このページの最新版は英语でご覧になれます。

vgg16

事前学习済みVGG-16畳み込みニューラルネットワーク

ページ内をすべて折りたたむ

构文

净= vgg16

说明

VGG-16は，ImageNetデータベース[1]の100万枚を超えるイメージで学习済みの畳み込みニューラルネットワークです。このネットワークは，深さが16层であり，イメージを1000个のオブジェクトカテゴリ（キーボード，マウス，铅笔，多くの动物など）に分类できます。结果として，このネットワークは広范囲のイメージに対する豊富な特徴表现を学习しています。ネットワークのイメージ入力サイズは224 X 224です.MATLAB®の他の事前学习済みのネットワークについては，事前学习済みの深层ニューラルネットワークを参照してください。

分类を使用すると，VGG-16ネットワークを使用して新しいイメージを分类できます。GoogLeNetを使用したイメージの分类の手顺に従って，GoogLeNetをVGG-16に置き换えます。

新しい分类タスクでネットワークの再学习を行うには，新しいイメージを分类するための深层学习ネットワークの学习の手顺に従い，GoogLeNetの代わりにVGG-16を読み込みます。

例

净= vgg16は，事前学习済みのVGG-16ネットワークを返します。

この关数には，深度学习工具箱™模式为VGG-16网络サポートパッケージが必要です。このサポートパッケージがインストールされていない场合，关数によってダウンロード用リンクが表示されます。

例

すべて折りたたむ

深度学习工具箱型号为VGG-16网络サポートパッケージをダウンロードしてインストールします。

コマンドラインでvgg16と入力します。

vgg16

深度学习工具箱型号为VGG-16网络サポートパッケージがインストールされていない场合，关数によってアドオンエクスプローラーに必要なサポートパッケージへのリンクが表示されます。サポートパッケージをインストールするには，リンクをクリックして，[インストール]をクリックします。コマンドラインでvgg16と入力して，インストールが正常に终了していることを确认します。

vgg16
ANS = SeriesNetwork与属性：层：[41×1 nnet.cnn.layer.Layer]
ライブスクリプトを开く

事前学习済みのVGG-16畳み込みニューラルネットワークを読み込み，层およびクラスを确认します。

vgg16を使用して事前学习済みのVGG-16ネットワークを読み込みます。出力净はSeriesNetworkオブジェクトです。

净= vgg16
净= SeriesNetwork与属性：层：[41×1 nnet.cnn.layer.Layer]

图层プロパティを使用して，ネットワークアーキテクチャを表示します。このネットワークには41个の层があります。学习可能な重みを持つ16个の层があり，そのうち13个が畳み込み层で，3个が全结合层です。

net.Layers
ANS = 41x1层阵列层：1 '输入' 图像输入224x224x3图像与 'zerocenter' 正常化2 'conv1_1' 卷积64个3x3x3的卷积与步幅[1 1]和填充[1 1 1 1] 3 'relu1_1' RELU RELU 4'conv1_2' 卷积64个3x3x64卷积步幅[1 1]和填充[1 1 1 1]的5 'relu1_2' RELU RELU 6 'POOL1' 最大池2x2的最大蓄留与步幅[2 2]和填充[0 0 0 0]7 'conv2_1' 卷积128个3x3x64卷积步幅[1 1]和填充[1 1 1 1] 8 'relu2_1' RELU RELU 9 'conv2_2' 卷积128个3x3x128卷积步幅[1 1]和填充[1 1 1 1]10 'relu2_2' RELU RELU 11 'POOL2' 最大池2x2的最大蓄留与步幅[2 2]和填充[0 0 0 0] 12 'conv3_1' 卷积256个3x3x128卷积步幅[1 1]和填充[1 1 1 1] 13 'relu3_1' RELU RELU 14 'conv3_2' 卷积256个3x3x256卷积步幅[1 1]和填充[1 1 1 1] 15 'relu3_2' RELU RELU 16 'conv3_3' 卷积256个3x3x256卷积步幅[1 1]和填充[1 1 1 1] 17 'relu3_3' RELU RELU 18 'pool3' 最大池2x2的最大蓄留与步幅[2 2]和填充[0 0 0 0] 19 'conv4_1' 卷积512个3x3x256卷积步幅[1 1]和填补[1 1 1 1] 20 'relu4_1' RELU RELU 21 'conv4_2' 卷积512个3x3x512卷积步幅[1 1]和填充[1 1 1 1] 22 'relu4_2' RELU RELU 23 'conv4_3' 卷积512 3x3x512卷积与步幅[1 1]和填充[1 1 1 1] 24 'relu4_3' RELU RELU 25 '池4' 最大池2x2的最大蓄留与步幅[2 2]和填充[0 0 0 0] 26 'conv5_1' 卷积512 3x3x512与步幅[1 1]和填充卷积[1 1 1 1] 27 'relu5_1' RELU RELU 28 'conv5_2' 卷积512个3x3x512卷积步幅[1 1]和填充[1 1 1 1] 29 'relu5_2' RELU RELU 30'conv5_3' 卷积512个3x3x512卷积步幅[1 1]和填充[1 1 1 1] 31 'relu5_3' RELU RELU 32 'pool5' 最大池2x2的最大蓄留与步幅[2 2]和填充[0 0 0 0] 33 'fc6' Fully Connected 4096 fully connected layer 34 'relu6' ReLU ReLU 35 'drop6' Dropout 50% dropout 36 'fc7' Fully Connected 4096 fully connected layer 37 'relu7' ReLU ReLU 38 'drop7' Dropout 50% dropout 39 'fc8' Fully Connected 1000 fully connected layer 40 'prob' Softmax softmax 41 'output' Classification Output crossentropyex with 'tench' and 999 other classes

ネットワークによって学习済みのクラスの名前を确认するには，分类出力层（最后の层）の类プロパティを表示します。最初の10个の要素を指定することによって，最初の10个のクラスを表示します。

net.Layers（端）.Classes（1:10）
ANS =10×1阵列分类丁鲷金鱼大白鲨老虎鲨锤头电动射线魟公鸡母鸡鸵鸟

出力引数

すべて折りたたむ

事前学习済みのVGG-16畳み込みニューラルネットワーク。SeriesNetworkオブジェクトとして返されます。

参照

[1] ImageNet。http://www.image-net.org

[2] Russakovsky，O.，邓，J.，苏，H。等人。“ImageNet大型视觉识别的挑战。”国际计算机视觉杂志（IJCV）。第115卷，第3期，2015年，第211-252

[3]西蒙尼扬，克伦，和安德鲁·齐塞尔曼。“非常深的卷积网络的大规模图像识别。”预印本的arXiv的arXiv：1409.1556（2014）。

[4]非常深卷积网络的大型视觉识别http://www.robots.ox.ac.uk/~vgg/research/very_deep/

拡张机能

参考

||||||||

トピック

R2017aで导入

深度学习工具箱ドキュメンテーション
サポート
MATLABで始めるディープラーニング

MATLABで始めるディープラーニング

电子书をダウンロードする