このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。
激活
深层学习ネットワーク层ののの化
構文
説明
1つのCPUまたは1つのgpuでで学习ネットワーク层の活性を计算できます。GPUを使使使は，并行计算工具箱™および计算能力3.0以上のcuda®対応英伟达®GPUが必要です。名前と値のペアの引数ExecutionEnvironmentを使用してハードウェア要件を指定します。
行为=激活(网，洛桑国际管理发展学院，层）网およびイメージデータストア洛桑国际管理发展学院内のイメージデータを使用して，特定の层のネットワーク活性化を返します。
例
AlexNetを使用した特徴抽出
この例では,事前学習済みの畳み込みニューラルネットワークから学習済みのイメージの特徴を抽出し,これらの特徴を使用してイメージ分類器に学習させる方法を説明します。特徴抽出は,事前学習済みの深いネットワークの表現能力を活用できる最も簡単で時間のかからない方法です。たとえば,抽出した特徴に対してFitcecoc.（统计和机器学习工具箱）™) を使用してサポート ベクター マシン （支持向量机）に学習させることができます。特徴抽出が必要とするものはデータを一巡する 1.つのパスのみであるため、ネットワークの学習を加速するための GPUがない場合、これは適切な開始点となります。
データの読み込み
サンプル イメージを解凍してイメージ データストアとして読み込みます。imageDatastoreは，〖nortge〗基于てに自动的にラベルを，データデータImageDatastoreオブジェクトとしてストアしし。イメージデータストアを使使と，メモリに收まらないデータを大大イメージデータを格式できできデータを70％の学校データと30％のテストデータにしし。
解压(“MerchData.zip”）;imd = imageDatastore (“MerchData”，...'upplyubfolders'，真的，...'labelsource'，“foldernames”）;[imdsTrain, imdsTest] = splitEachLabel (imd, 0.7,'随机'）;
このとき，この非常に小さなデータには，55个の学习イメージ20个の検证ががさてています表示表示表示を表示表示表示ますますますますますますます。
numimagestain = numel（imdstrain.labels）;Idx = Randperm（NumimageStrain，16）;为i=1:16 i{i}=readimage（imdsTrain，idx（i））；结束图imshow (imtile(我))
事前学習済みのネットワークの読み込み
事前学習済みのAlexNetネットワークを読み込みます。深度学习工具箱模型对于AlexNet网络サポート パッケージがインストールされていない場合、ダウンロード用リンクが表示されます。阿列克斯内特は、100万枚を超えるイメージについて学習済みであり、イメージを 1000個のオブジェクト カテゴリに分類できます。たとえば、キーボード、マウス、鉛筆、多くの動物などです。結果として、このモデルは広範囲のイメージに対する豊富な特徴表現を学習しています。
net=alexnet；
ネットワークには表示し层とありはは层层ありありありありありありありありあり。
网。层
ans=25x1层阵列，带层：1“数据”图像输入227x227x3图像，带“零中心”标准化2“conv1”卷积96 11x11x3卷积，带跨距[4]和填充[0]3“relu1”ReLU ReLU 4“norm1”跨通道规格化跨通道规格化每个元素5个通道5“pool1”最大池3x3最大池带跨步[2]和填充[0 0 0 0]6“conv2”分组卷积2组128个5x5x48卷积带跨步[1]和填充[2 2 2 2 2]7“relu2”ReLU ReLU 8“norm2”跨通道规格化跨通道规格化每个元素5个通道9“pool2”最大池3x3最大池带跨步[2]和填充[0 0 0 0]10“conv3”卷积384 3x256卷积带跨步[1]和填充[1 1 1 1 1]11“relu3”ReLU ReLU 12“conv4”分组卷积2组192 3x3x192卷积带跨步[11]和填充[11]13“relu4”ReLU ReLU ReLU 14“conv5”分组卷积2组128 3x3x192卷积带跨步[11]和填充[11]15“relu5”ReLU ReLU 16“pool5”最大池3x3最大池带跨步[2]和填充[0 0 0 0]17“fc6”完全连接4096完全连接层18“relu6”ReLU ReLU 19“drop6”drop6”Dropout 50%Dropout 20“fc7”完全连接4096完全连接层21“relu7”ReLU ReLU 22“drop7”Dropout 50%Dropout 23“fc8”完全连接1000完全连接层24“prob”Softmax Softmax 25“output”分类输出交叉入口投影带“tench”及其他类别
，3はカラーチャネルの。
.InputSize inputSize = net.Layers (1)
InputSize =.1×3227 227 3
イメージの特价の抽出
ネットワークは,入力イメージの階層表現を構築します。深い層には,初期の層の低レベルの特徴を使用して構築された,より高レベルの特徴が含まれます。学習イメージとテストイメージの特徴表現を取得するには,全結合層“fc7”で激活をを使低レベルの表现をするにははするににはをするのにははをののには层をするにに
27x 227 x 3のののストアあるです，イメージデータストアあるイメージのサイズはます。学习习テストのサイズをネットワークのイメージのサイズをへのの前にににに，拡张イメージデータストアを作物，目的のイメージサイズを，これらのデータストア激活の入力引数として使用します。
augimdsTrain=augmentedImageDatastore（inputSize（1:2），imdsTrain）；augimdtest=augmentedImageDatastore（inputSize（1:2），imdsTest）；层=“fc7”；特征应变=激活（净、螺旋应变、层、，'outputas'，“行”); featuresTest=激活（净、模拟测试、层、，'outputas'，“行”）;
学習データおよびテスト データからクラス ラベルを抽出します。
YTrain = imdsTrain.Labels;欧美= imdsTest.Labels;
イメージ分類器のあてはめ
学習イメージから抽出された特徴を予測子変数として使用し,Fitcecoc.（统计和机器学习工具箱）をを用してマルチクラスサポートマシン（svm）ををます。
mdl=fitcecoc（特征菌株，YTrain）；
テストイメージの分享
学習済みのSVMモデルとテストイメージから抽出された特徴を使用して,テストイメージを分類します。
featuresTest YPred =预测(mdl);
4个のサンプルテストイメージ，その予测ラベルを表示し。
Idx = [1 5 10 15];数字为i=1:numel（idx）子批次（2,2，i）i=readimage（imdsTest，idx（i））；label=YPred（idx（i））；imshow（i）title（label）结束
テストセットに対する分類精度を計算します。精度とは,ネットワークによって予測が正しく行われるラベルの割合です。
精度=平均值(YPred == YTest)
精度=1
このSVMは高い精度を示しています。特徴抽出を使用しても十分な精度が得られない场合，代わりに転移学习を试してください。
入力引数
出力数
アルゴリズム
深度学习工具箱™に含まれる深層学習における学習,予測,検証用のすべての関数は,単精度浮動小数点演算を使用して計算を実行します。深層学習用の関数にはtrainNetwork、预测、分类、激活などがあります。CPUとGPUの両方を使用してネットワークに学習させる場合,単精度演算が使用されます。
参照
工藤、富山、新保。“使用通过区域的多维曲线分类”。模式识别字母。第20卷，第11-13期，第1103-1111页。
[2] UCI机器学习知识库:日语元音数据集。https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels
拡張機能
参考
您还可以从以下列表中选择一个网站：
