Integrierte vortrainierte Netze
Die Deep Learning Toolbox™ bietet mehrere vortrainierte Netze, die sich für das Transfer Learning eignen. Beim Transfer Learning wird ein zuvor trainiertes Deep-Learning-Netz für das Erlernen einer neuen Aufgabe abgestimmt. Die Anwendung des Transfer Learning ist in der Regel schneller und einfacher als das Training eines Netzes von Grund auf. Sie können gelernte Merkmale schnell auf eine neue Aufgabe übertragen und dabei eine geringere Datenmenge verwenden. Um die verfügbaren vortrainierten Netze zu durchsuchen, verwenden Sie Deep Network Designer. Weitere Informationen finden Sie unter Pretrained Deep Neural Networks.
Apps
| Deep Network Designer | Entwurf und Visualisierung von Deep-Learning-Netzen |
Funktionen
imagePretrainedNetwork | Pretrained neural network for images (Seit R2024a) |
Blöcke
Themen
- Klassifizieren von Webcam-Bildern mithilfe von Deep Learning
Dieses Beispiel zeigt, wie Sie Bilder einer Webcam mithilfe des vortrainierten Convolutional Neural Networks GoogLeNet in Echtzeit klassifizieren können.
- Retrain Neural Network to Classify New Images
This example shows how to retrain a pretrained SqueezeNet neural network to perform classification on a new collection of images.
- Pretrained Deep Neural Networks
Learn how to download and use pretrained convolutional neural networks for classification, transfer learning and feature extraction.
- Deep Learning in MATLAB
Discover deep learning capabilities in MATLAB® using convolutional neural networks for classification and regression, including pretrained networks and transfer learning, and training on GPUs, CPUs, clusters, and clouds.
- Deep Learning Tips and Tricks
Learn how to improve the accuracy of deep learning networks.
Verwandte Informationen
Enthaltene Beispiele
Klassifizieren von Bildern mit GoogLeNet
Dieses Beispiel veranschaulicht, wie ein Bild mithilfe von GoogLeNet, einem vortrainierten tiefen Convolutional Neural Network (Deep Convolutional Neural Network), klassifiziert wird.
Vorbereiten des Netzes auf Transfer Learning mithilfe von Deep Network Designer
Stimmen Sie ein vortrainiertes Deep-Learning-Netz interaktiv ab, um eine neue Bildklassifizierungs-Aufgabe zu erlernen.
Extract Image Features Using Pretrained Network
Extract learned image features from a pretrained convolutional neural network and use those features to train an image classifier. Feature extraction is the easiest and fastest way to use the representational power of pretrained deep networks. For example, you can train a support vector machine (SVM) using fitcecoc (Statistics and Machine Learning Toolbox™) on the extracted features. Because feature extraction only requires a single pass through the data, it is a good starting point if you do not have a GPU to accelerate network training with.
Build Simple App for Deep Learning Inference Using App Designer
Use App Designer to create an app that can classify images using a deep neural network. You can modify the app for other types of deep learning inference, for example, sequence classification or image regression.
Classify Images in Simulink Using GoogLeNet
Classify an image in Simulink® using the Image Classifier block. The example uses the pretrained deep convolutional neural network GoogLeNet to perform the classification.
Adapt Pretrained Audio Network for New Data Using Deep Network Designer
Interactively adapt a pretrained network to classify new audio signals using Deep Network Designer.
Convert Classification Network into Regression Network
Convert a trained classification network into a regression network.
Multilabel Image Classification Using Deep Learning
Use transfer learning to train a deep learning model for multilabel image classification.
Classify Videos Using Deep Learning
Create a network for video classification by combining a pretrained image classification model and an LSTM network.
