主要内容

vgg19

vgg19卷积神经网络

折叠所有页面

语法

网= vgg19
网= vgg19(“权重”,“imagenet”)
层= vgg19(“权重”,“没有一个”)

描述

VGG-19是一个卷积神经网络，有19层深度。您可以在ImageNet数据库的100多万张图像上加载预先训练过的网络版本［1］．经过预先训练的网络可以将图像分为1000个对象类别，如键盘、鼠标、铅笔和许多动物。因此，该网络学习了丰富的特征表示范围广泛的图像。该网络的图像输入尺寸为224 × 224。用于MATLAB中更多的预训练网络®,请参阅预先训练的深度神经网络．

您可以使用分类利用vgg19网络对新图像进行分类。遵循以下步骤使用GoogLeNet分类图像用VGG-19替换GoogLeNet。

要重新训练网络进行新的分类任务，请遵循以下步骤训练深度学习网络对新图像进行分类加载VGG-19而不是GoogLeNet。

例子

净= vgg19返回在ImageNet数据集上训练的vgg19网络。

该功能需要深度学习工具箱™模型VGG-19网络金宝app支持包。如果没有安装此支金宝app持包，则该函数将提供下载链接。

净= vgg19(“权重”,“imagenet”）返回在ImageNet数据集上训练的vgg19网络。该语法等价于网= vgg19．

层= vgg19(“权重”,“没有”）返回未经训练的vgg19网络架构。未经训练的模型不需要支持包。金宝app

例子

全部折叠

这个例子展示了如何下载和安装深度学习工具箱模型VGG-19网络金宝app支持包。

类型vgg19在命令行。

vgg19

如果是深度学习工具箱模型VGG-19网络金宝app如果没有安装支持包，则该函数将提供到Add-On Explorer中所需的支持包的链接。要安装支持包，请单击链接，然后金宝app单击安装．输入以下命令，检查安装是否成功vgg19在命令行。

vgg19
ans = SeriesNetwork with properties: Layers: [47×1 net.cnn.layer. layer]
打开生活的脚本

加载一个预先训练的vgg19卷积神经网络并检查层和类。

使用vgg19加载预训练的vgg19网络。输出净是一个SeriesNetwork对象。

网= vgg19
net = SeriesNetwork with properties: Layers: [47×1 net.cnn.layer. layer]

使用命令查看网络架构层财产。这个网络有47层。有19个具有可学习权值的层:16个卷积层和3个完全连接层。

网。层
包含图层的图层数组:224 x224x3输入的图像输入图像2”zerocenter“正常化”conv1_1卷积64子集要旋转步[1]和填充[1 1 1 1]3‘relu1_1 ReLU ReLU 4 conv1_2卷积64 3 x3x64旋转步[1]和填充[1 1 1 1]5‘relu1_2 ReLU ReLU 6“pool1”马克斯池2 x2马克斯2[2]和池与进步填充[0 0 0 0]7 conv2_1卷积128 3 x3x64旋转步[1]和填充(1 1 1)8“relu2_1”ReLU ReLU 9 conv2_2卷积128 3 x3x128旋转步[1]和填充[1 1 1 1]10 ' relu2_2 ReLU ReLU 11“pool2”马克斯池2 x2马克斯池步(2 - 2)和填充[0 0 0 0]12 conv3_1卷积2563 x3x128旋转步[1]和填充[1 1 1 1]13的relu3_1 ReLU ReLU 14 conv3_2卷积256 3 x3x256旋转步[1]和填充[1 1 1 1]15 ' relu3_2 ReLU ReLU 16 conv3_3卷积256 3 x3x256旋转步[1]和填充[1 1 1 1]17‘relu3_3 ReLU ReLU 18 x3x256 conv3_4卷积256 3旋转步[1]和填充[1 1 1 1]19 ' relu3_4 ReLU ReLU 20“pool3”马克斯池2 x2马克斯池步(2 - 2)和填充[0 0 0 0]21 conv4_1卷积512 3 x3x256旋转步[1]和填充[1 1 1 1]22的relu4_1 ReLU ReLU 23 conv4_2卷积512 3 x3x512旋转与步幅[1]和填充[11 1 1] 24 'relu4_2' ReLU ReLU 25 'conv4_3' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 26 'relu4_3' ReLU ReLU 27 'conv4_4' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 28 'relu4_4' ReLU ReLU 29 'pool4' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0] 30 'conv5_1' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 31 'relu5_1' ReLU ReLU 32 'conv5_2' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 33 'relu5_2' ReLU ReLU 34 'conv5_3' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 35 'relu5_3' ReLU ReLU 36 'conv5_4' Convolution 512 3x3x512 convolutions with stride [1 1] and padding [1 1 1 1] 37 'relu5_4' ReLU ReLU 38 'pool5' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0] 39 'fc6' Fully Connected 4096 fully connected layer 40 'relu6' ReLU ReLU 41 'drop6' Dropout 50% dropout 42 'fc7' Fully Connected 4096 fully connected layer 43 'relu7' ReLU ReLU 44 'drop7' Dropout 50% dropout 45 'fc8' Fully Connected 1000 fully connected layer 46 'prob' Softmax softmax 47 'output' Classification Output crossentropyex with 'tench' and 999 other classes

要查看通过网络学习的类名，可以查看类属性的分类输出层(最后一层)。通过指定前10个元素来查看前10个类。

net.Layers(结束). class (1:10)
ans =10×1分类数组坦奇金鱼大白鲨虎鲨双髻鲨电鳐黄貂鱼公鸡母鸡鸵鸟

输出参数

全部折叠

预训练的vgg19卷积神经网络返回为SeriesNetwork对象。

未经训练的vgg19卷积神经网络结构，作为层数组中。

参考文献

［1］ImageNet．http://www.image-net.org

[2] Russakovsky, O.， Deng J.， Su H.， et al. " ImageNet大规模视觉识别挑战。"国际计算机视觉杂志(IJCV)．2015年第3期，第115卷，211-252页

[3] Simonyan, Karen和Andrew Zisserman。“用于大规模图像识别的非常深度卷积网络”。

［4］用于大规模视觉识别的深度卷积网络http://www.robots.ox.ac.uk/~vgg/research/very_deep/

扩展功能

另请参阅

|||||||||

主题

介绍了R2017a

深度学习工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书