负载Pretrained网络

加载预先训练的GoogLeNet网络。此步骤需要深度学习工具箱™模型GoogLeNet网络支持包。如果您没有安装所需的支持包，那么该软件将提供下载链接。

您还可以选择加载不同的预训练网络来进行图像分类。要尝试一个不同的预训练网络，在MATLAB®中打开这个例子并选择一个不同的网络。例如，你可以试试squeezenet，这个网络甚至比googlenet．您可以使用其他预先训练过的网络运行此示例。有关所有可用网络的列表，请参见负载Pretrained网络．

网=googlenet;

要分类的图像必须与网络的输入大小相同。对于GoogLeNet，第一个元素层网络的属性是图像输入层。网络输入大小为InputSize属性的图像输入层。

.InputSize inputSize = net.Layers (1)

inputSize =1×3224 224 3

的最后一个元素层属性是分类输出层。的一会属性包含网络学习到的类的名称。查看总共1000个类名中的10个随机类名。

一会= net.Layers .ClassNames(结束);numClasses =元素个数(类名);disp(类名(randperm (numClasses 10)))

“蝶耳犬”、“蛋奶酒”、“菠萝蜜”、“城堡”、“睡袋”、“红脚蛇”、“创可贴”、“锅”、“安全带”、“橙色”

读取和调整图像的大小

阅读并显示要分类的图像。

我= imread (“peppers.png”）;图imshow(我)

显示图像的大小。该图像是384 × 512像素，有三个颜色通道(RGB)。

大小(我)

ans =1×3384 512 3

使用将图像调整为网络的输入大小imresize．这种调整会略微改变图像的纵横比。

我= imresize(我inputSize (1:2));图imshow(我)

根据您的应用程序，您可能希望以不同的方式调整图像的大小。例如，您可以使用我(1:inputSize (1), 1: inputSize (2):)．如果您有图像处理工具箱™，则可以使用imcrop函数。

图像的分类

对图像进行分类并计算类概率分类．网络正确地将图像分类为甜椒。分类网络被训练为为每个输入图像输出单一标签，即使图像包含多个对象。

(标签,分数)=分类(净,我);标签

标签=分类甜椒

显示带有预测标签的图像和具有该标签的图像的预测概率。

图imshow(I)标题(字符串(标签)+”、“+ num2str(100*scores(classNames == label)，3) +“%”）;

显示前预测

以直方图的形式显示前五个预测标签及其相关概率。由于网络将图像划分为许多对象类别，而且许多类别是相似的，所以在评估网络时通常会考虑前五名的准确性。该网络以很高的概率将该图像分类为甜椒。

[~, idx] =排序(分数,“下”）;idx = idx (5: 1:1);classNamesTop = net.Layers(结束).ClassNames (idx);scoresTop =分数(idx);图barh(scoresTop) xlim([0 1]) title(“5大预言”)包含(“概率”) yticklabels (classNamesTop)