事前学习済みのGoogLeNetネットワークを読み込みます。イメージ分类用の异なる事前学习済みネットワークの読み込みを选択できます。必要なサポートパッケージがインストールされていない场合，ダウンロード用リンクが表示されます。

净= googlenet;

オブジェクト网にはDAGNetwork关が格式されています。关字analyzeNetwork（深度学习工具箱）を使用して，ネットワークアーキテクチャを対话的に可视化して表示し，ネットワークに关するエラーや问题を検出して，ネットワーク层についての详细情报を表示します。层の情报には，层の活性化と学习可能なパラメーターのサイズ，学习可能なパラメーターの総数，および再帰层の状态パラメーターのサイズが含まれます。

analyzeNetwork（净值）;

分享するイメージのサイズ，ネットワークのの力サイズと同じでなけれなりん.Googlenetののん。imageInputlayer.（深度学习工具箱）のサイズは224x 224 x 3です。能力classificationLayer（深度学习工具箱）の班级プロパティには，ネットワークによって学习さたクラス名前がれてますますますいますます。うちいいますのうち10个をランダムに表示し。

ClassNames = Net.Layers（END）.Classes;numclasses = numel（classnames）;DISP（CLASSNMES（RANDPERM（NUMCLASES，10）））

'Speedboat''窗口屏幕''Isopod''木勺''唇膏'''Drake'''鬣狗'''哑铃''草莓''＆amper''

詳細については,深层学习层の一覧（深度学习工具箱）を参照してください。

MATLABででを行为エントリポイント关键词作物

次に例を示します。

功能OUT = googlenet_predict（上）％＃代码生成执着的yeNet;如果isempty（mynet）mynet = coder.loaddeeplearningnetwork（'googlenet'）;结尾％通过输入出局=预测（Mynet，In）;

永続的なオブジェクト我的网はDAGNetworkオブジェクトを読み込みます。エントリポイント关数への最初の呼び出しで，永続的なオブジェクトが作成されて设定されます。后続の关数の呼び出しでは，入力の呼び出し预测に同じオブジェクトが再利用され，ネットワークオブジェクトの再构と読み込みが回避されます。

特价の层のネットワークネットワークネットワーク化激活（深度学习工具箱）メソッドを使用することもできます。たとえば,次のコードの行はlayerIdxで指定された层のネットワーク活性化を返します。

OUT =激活（MYNET，IN，LayerIDX，'Outputas'，'频道'）;

分类（深度学习工具箱）メソッドを使用して,学習済みネットワーク我的网で在のイメージデータのクラスラベルを予测することもできます。

[出来，分数] =分类（我的网，在）;

LSTMネットワークに対しては,predictandanddatestate.（深度学习工具箱）メソッドとresetState（深度学习工具箱）メソッドも使用できます。これらのメソッドの使用上の注意および制限については，サポートされる关数の表の対応するエントリを参照してください。

出力又名，场所，タイプなどのビルド设定を成するは，コーダーコーダー成作作作作作作者有关coder.gpuConfigを使用します。たとえば，代码生成コマンドを使用ししてて梅克斯を生成する料CFG = coder.gpuConfig（ 'MEX'）;を使用します。

その他の利用可能なオプションは次のとおりです。

Cudnnのコード生成パラメーター指定指定には，DeepLearningConfigプロパティを，编码器。DeepLearningConfigを使用して作成した编码器。CuDNNConfigオブジェクトに设定します。

cfg = coder.gpuconfig（'mex'）;cfg.TargetLang ='C ++';cfg.DeepLearningConfig = coder.DeepLearningConfig（“cudnn”）;cfg.DeepLearningConfig.AutoTuning = true;cfg.DeepLearningConfig.DataType ='fp32';

数据类型プロパティを使用することによって，サポートされている层での推论计算の精度を指定します0.32ビット浮动小数点の推论を実行する场合，'fp32'を使用します0.8ビット整数には，“int8”を使用します。既定値は'fp32'です。INT8の精度を使用するには,以6.1计算能力上のCUDA GPUが必要です。GpuConfigオブジェクトのComputeCapabilityプロパティプロパティ使使し，适切な计算能力値値设定し。

代码生成コマンドを実行します。代码生成コマンドはgooglenet_predict.mMATLABエントリポイント关数からCUDAコードを生成します。

代码生成-Config.CFG.googlenet_predict.-  args.{ONE（224,224,3）}-报告

コード生成に成功したら,MATLABコマンドウィンドウで[レポートの表示]をクリックすることで,結果のコード生成レポートを表示できます。レポートがレポートビューアーウィンドウに表示されます。コード生成時にコードジェネレーターによりエラーまたは警告が検出されると,レポートでは問題が説明され,問題のあるMATLABコードへのリンクが提供されます。コード生成レポートを参照してください。

代码生成成功：查看报告

[ビルドタイプ]を梅克斯に设定します。

[详细设定]をクリックします。[深层学习]ペインで，[ターゲットライブラリ]を[cuDNN]に设定します。

设定ウィンドウを闭じます.CUDAコードを生成するには，[生成]をクリックします。

分享到するは，ネットワークのの力サイズと同じばなりません。分享するイメージ読み取り，そのサイズをネットワークの入サイズ変更ますますこの変更しは。します。

Im = imread（“peppers.png”）;InputLayerSize = Net.Layers（1）.InputSize;IM = IMResize（I，InputLayersize（1：2））;

入力イメージに対してgooglenetの预测を呼び出します。

predict_scores = googlenet_predict_mex（IM）;

上位5つの予测ラベルとそれらに対応する确率をヒストグラムとして表示します。ネットワークはイメージを非常に多くのオブジェクトカテゴリに分类しますが，多くのカテゴリは似ているため，ネットワークを评価するときは，通常，上位5つの精度を考虑します。このネットワークは高い确率でこのイメージをピーマンとして分类します。

[得分，Indx] =排序（预测_coves，“下降”）;ClassNamestop = ClassNames（Indx（1：5））;h =图;H.Position（3）= 2 * H.Position（3）;AX1 =子图（1,2,1）;AX2 =子图（1,2,2）;图像（AX1，IM）;BARH（AX2，分数（5：-1：1））XLABEL（AX2，“概率”）YTicklabels（AX2，ClassNamestop（5：-1：1））AX2.YAXISLOCATION =“对”;sgtitle（'使用googlenet的前5名预测'）