图像分类的深度学习

阿维的本周精选是AlexNet网络的深度学习工具箱模型,通过深度学习工具箱团队．AlexNet是一个预先训练的1000类图像分类器，使用深度学习，更具体地说是卷积神经网络(CNN)。支持包提供了对这个强大模型的轻松访问，以帮助快速开始MATLAB中的深度学习。

内容

在MATLAB中访问预训练的模型

一旦下载并安装了支持包，就可以将预先训练好的模型加载到MATLAB中。

网络

net = SeriesNetwork with properties: Layers: [25×1 nnet.cnn.layer.Layer]

查看网络架构

现在让我们快速看一下深层神经网络层的结构。

网层

ans = 25x1带有图层的图层数组:1' data'图像输入227x227x3图像，采用'zerocenter'归一化2' conv1' Convolution 96 11x11x3卷积，stride[4 4]和填充[0 0]3 'relu1' ReLU ReLU 4 'norm1'跨通道归一化跨通道归一化，每个元素5个通道5 'pool1'最大池化3x3最大池化，stride[2 2]和填充[0 0]6 'conv2' Convolution 256 5x5x48卷积，stride[1 1]和填充[2 2]7 'relu2' ReLU ReLU 8 'norm2'跨通道归一化跨通道标准化与5频道/元素9“pool2”马克斯池3 x3马克斯池步(2 - 2)和填充[0 0]10 conv3卷积384 3 x3x256旋转步[1]和填充[1]11的relu3 ReLU ReLU 12 conv4卷积384 3 x3x192旋转步[1]和填充[1]13的relu4 ReLU ReLU 14 conv5卷积256 3 x3x192旋转步[1]和填充[1]15 ' relu5 ReLU ReLU 16“pool5”马克斯池3 x3马克斯池步(2 - 2)和填充[0 0] 17 'fc6'全连接4096全连接层18 'relu6' ReLU ReLU 19 'drop6' drop6' Dropout 50% Dropout 20 'fc7'全连接4096全连接层21 'relu7' ReLU ReLU 22 'drop7' Dropout 50% Dropout 23 'fc8'全连接1000全连接层24 'prob' Softmax Softmax 25 'output' Classification输出与'tench'， '金鱼'和998其他类的交叉entropy

图像的分类

现在让我们尝试使用深度学习对图像进行分类。在对图像进行分类之前，我们需要调整输入图像的大小，以匹配网络的输入，即227 x 227像素。

I = imread(“Keyboard.jpg”）;调整图像大小sz = net.Layers(1)。InputSize I = imresize(I，[sz(1) sz(2)]);使用AlexNet分类图像分类(net, I)%显示图像和分类结果图imshow(I) text(10,20,char(label)，“颜色”，“白色”）

Sz = 227 227 3标签=打字机键盘

关于深度学习的更多信息

要了解更多关于深度学习以及如何为不同的任务重新训练AlexNet模型，请参阅中的示例这个网络研讨会使用AlexNet来区分不同类型的工具。