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語でご覧になれます。

vgg19

事前学習済みのVGG-19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

構文

网= vgg19

説明

VGG-19は,ImageNetデータベース[1]100年の万枚を超えるイメージで学習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19層であり,イメージを1000個のオブジェクトカテゴリ(キーボード,マウス,鉛筆,多くの動物など)に分類できます。結果として,このネットワーク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。ネットワークのイメージ入力サイズは224 x 224です.MATLAB®の他の事前学習済みのネットワークについては,事前学習済みの深層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-19ネットワークを使用して新しいイメージを分類できます。GoogLeNetを使用したイメージの分類の手順に従って,GoogLeNetをVGG-19に置き換えます。

新しい分類タスクでネットワークの再学習を行うには,新しいイメージを分類するための深層学習ネットワークの学習の手順に従い,GoogLeNetの代わりにVGG-19を読み込みます。

例

净= vgg19は,事前学習済みのVGG-19ネットワークを返します。

この関数には,深度学习工具箱™模型VGG-19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場合,関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

この例では,深度学习工具箱模型VGG-19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する方法を説明します。

コマンドラインでvgg19と入力します。

vgg19

深度学习工具箱模型VGG-19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,関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vgg19と入力して,インストールが正常に終了していることを確認します。

vgg19
ans = SeriesNetwork with properties: Layers:[47×1 nnet.cn .layer. layer]
ライブスクリプトを開く

事前学習済みのVGG-19畳み込みニューラルネットワークを読み込み,層およびクラスを確認します。

vgg19を使用して事前学習済みのVGG-19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。

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

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47個の層があります。学習可能な重みを持つ19個の層があり,そのうち16個が畳み込み層で,3個が全結合層です。

net.Layers
ANS = 47x1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 'conv3_4' 卷积256个3x3x256卷积步幅[1 1]和填充[1 1 1 1] 19 'relu3_4' RELU RELU 20 'pool3' 最大池2x2的最大蓄留与步幅[2 2]和填充[0 0 0 0] 21 'conv4_1' 卷积512个3x3x256卷积步幅[1 1]和填充[1 1 1 1] 22 'relu4_1' RELU RELU 23 'conv4_2' 卷积512个3x3x512卷积与步幅[1 1]和填充[1 1 1 1] 24 'relu4_2' RELU RELU 25 'conv4_3' 卷积512个3x3x512卷积步幅[1 1]和填充[1 1 1 1] 26 'relu4_3' RELU RELU 27'conv4_4' 卷积512 3x3x512卷积步幅[1 1]和填充[1 1 1 1] 28 'relu4_4' RELU RELU 29 '池4' 最大池2x2的最大蓄留与步幅[2 2]和填充[0 0 0 0] 30'conv5_1' 卷积512个3x3x512卷积步幅[1 1]和填充[1 1 1 1] 31 'relu5_1' RELU RELU 32 'conv5_2' 卷积512个3x3x512卷积步幅[1 1]和填充[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

ネットワークによって学習済みのクラスの名前を確認するには,分類出力層(最後の層)の类プロパティを表示します。最初の10個の要素を指定することによって,最初の10個のクラスを表示します。

net.Layers(结束). class (1:10)
ans =10×1分类数组金鱼大白鲨虎鲨双髻鲨电鳐黄貂鸡鸵鸟

出力引数

すべて折りたたむ

事前学習済みのVGG-19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

罗萨科夫斯基，O.，邓，J.，苏，H.，等，< ImageNet大规模视觉识别挑战>。国际计算机视觉杂志(IJCV)。第115卷，2015年第3期，第211-252页

[3] Simonyan, Karen，和Andrew Zisserman。“用于大规模图像识别的深度卷积网络”，arXiv预印本arXiv:1409.1556(2014)。

用于大规模视觉识别的非常深的卷积网络http://www.robots.ox.ac.uk/~vgg/research/very_deep/

拡張機能

参考

|||||||||

トピック

R2017aで導入

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