alexnet

(Nicht empfohlen) Convolutional Neural Network AlexNet

• 

alexnet wird nicht empfohlen. Verwenden Sie stattdessen die imagePretrainedNetwork-Funktion und geben Sie das "alexnet"-Modell an. Weitere Informationen finden Sie unter Versionsverlauf.

Syntax

net = alexnet

net = alexnet('Weights','imagenet')

layers = alexnet('Weights','none')

Beschreibung

AlexNet ist ein 8 Schichten tiefes Convolutional Neural Network. Sie können eine vortrainierte Version des Netzes laden, das an mehr als einer Million Bildern aus der ImageNet-Datenbank [1] trainiert wurde. Das vortrainierte Netz kann Bilder in 1000 Objektkategorien klassifizieren (z. B. Tastatur, Maus, Bleistift und viele Tierarten). Im Ergebnis hat das Netz eine Vielzahl von Merkmalen für eine große Bandbreite von Bildern erlernt. Dieses Netz weist eine Bild-Eingangsgröße von 227x227 auf. Weitere Informationen über vortrainierte Netze in MATLAB^® finden Sie unter Pretrained Deep Neural Networks.

Eine kostenlose, praxisorientierte Einführung in praktische Deep-Learning-Methoden finden Sie unter Deep Learning Onramp.

net = alexnet gibt ein mit dem ImageNet-Datensatz trainiertes AlexNet-Netz aus.

Diese Funktion erfordert das Supportpaket Deep Learning Toolbox™ Model for AlexNet Network. Wenn das Supportpaket nicht installiert ist, stellt die Funktion einen Download-Link bereit. Alternativ finden Sie weitere Informationen unter Deep Learning Toolbox Model for AlexNet Network.

Weitere Informationen über vortrainierte Netze in MATLAB finden Sie unter Pretrained Deep Neural Networks.

net = alexnet('Weights','imagenet') gibt ein mit dem ImageNet-Datensatz trainiertes AlexNet-Netz aus. Diese Syntax ist äquivalent zu net = alexnet.

layers = alexnet('Weights','none') gibt die untrainierte AlexNet-Netzarchitektur aus. Das untrainierte Modell erfordert kein Supportpaket.

Beispiele

Herunterladen des AlexNet Support Package

Laden Sie das Supportpaket Deep Learning Toolbox Model for AlexNet Network herunter und installieren Sie es.

Geben Sie in der Befehlszeile alexnet ein.

alexnet

Wenn das Supportpaket Deep Learning Toolbox Model for AlexNet Network nicht installiert ist, stellt die Funktion im Add-On-Explorer einen Link zum erforderlichen Supportpaket bereit. Um das Supportpaket zu installieren, klicken Sie auf den Link und daraufhin auf Install. Geben Sie in der Befehlszeile alexnet ein, um zu überprüfen, ob die Installation erfolgreich war.

alexnet

ans = 

  SeriesNetwork with properties:

    Layers: [25×1 nnet.cnn.layer.Layer]

Wurde das erforderliche Supportpaket installiert, gibt die Funktion ein SeriesNetwork-Objekt aus.

Visualisieren Sie das Netz mithilfe von Deep Network Designer.

deepNetworkDesigner(alexnet)

Klicken Sie auf New, um weitere vortrainierte neuronale Netzwerke in Deep Network Designer zu erkunden.

Wenn Sie ein neuronales Netz herunterladen müssen, halten Sie bei dem gewünschten neuronalen Netz an und klicken Sie auf Install, um den Add-On Explorer zu öffnen.

Ausgangsargumente

net — Vortrainiertes Convolutional Neural Network AlexNet

SeriesNetwork-Objekt

Vortrainiertes Convolutional Neural Network AlexNet, ausgegeben als SeriesNetwork-Objekt.

layers — Architektur des untrainierten Convolutional Neural Networks AlexNet

Layer-Array

Architektur des untrainierten Convolutional Neural Networks AlexNet, ausgegeben als Layer-Array.

Tipps

• Eine kostenlose, praxisorientierte Einführung in praktische Deep-Learning-Methoden finden Sie unter Deep Learning Onramp.

Referenzen

[1] ImageNet. http://www.image-net.org.

[2] Russakovsky, O., Deng, J., Su, H., et al. "ImageNet Large Scale Visual Recognition Challenge." International Journal of Computer Vision (IJCV). Vol 115, Issue 3, 2015, pp. 211–252

[3] Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton. "ImageNet Classification with Deep Convolutional Neural Networks." Communications of the ACM 60, no. 6 (May 24, 2017): 84–90. https://doi.org/10.1145/3065386.

[4] BVLC AlexNet Model. https://github.com/BVLC/caffe/tree/master/models/bvlc_alexnet

Erweiterte Fähigkeiten

C/C++ Codegenerierung

Generieren Sie C und C++ Code mit MATLAB® Coder™.

Für die Codegenerierung können Sie das Netz laden, indem Sie die Syntax net = alexnet verwenden oder die alexnet-Funktion an coder.loadDeepLearningNetwork (MATLAB Coder) übergeben. Beispiel: net = coder.loadDeepLearningNetwork('alexnet').

Weitere Informationen finden Sie unter Load Pretrained Networks for Code Generation (MATLAB Coder).

Die Syntax alexnet('Weights','none') wird von der Codegenerierung nicht unterstützt.

GPU-Codegenerierung

Generieren von CUDA® Code für NVIDIA® Grafikprozessoren mit dem GPU Coder™.

Verwendungshinweise und Einschränkungen:

• Für die Codegenerierung können Sie das Netz laden, indem Sie die Syntax net = alexnet verwenden oder die alexnet-Funktion an coder.loadDeepLearningNetwork (GPU Coder) übergeben. Beispiel: net = coder.loadDeepLearningNetwork('alexnet').

  Weitere Informationen finden Sie unter Load Pretrained Networks for Code Generation (GPU Coder).

• Die Syntax alexnet('Weights','none') wird von der GPU-Codegenerierung nicht unterstützt.

Versionsverlauf

Eingeführt in R2017a

R2024a: Nicht empfohlen

alexnet wird nicht empfohlen. Verwenden Sie stattdessen die imagePretrainedNetwork-Funktion und geben Sie "alexnet" als Modell an.

Es wird nicht geplant, die Unterstützung für die alexnet-Funktion aufzugeben. Die Funktion imagePretrainedNetwork weist jedoch weitere Funktionalität auf, die Transfer-Learning-Workflows unterstützt. Sie können beispielsweise mithilfe der Option numClasses die Anzahl der Klassen in Ihren Daten angeben; die Funktion gibt ein Netz aus, das ohne Veränderungen neu trainiert werden kann.

Die Funktion imagePretrainedNetwork gibt das Netz als dlnetwork-Objekt aus, in dem die Klassennamen nicht gespeichert werden. Um die Klassennamen des vortrainierten Netzes abzurufen, verwenden Sie das zweite Ausgangsargument der Funktion imagePretrainedNetwork.

Diese Tabelle zeigt die typische Nutzung der Funktion alexnet und demonstriert, wie Sie Ihren Code aktualisieren können, um stattdessen die Funktion imagePretrainedNetwork zu verwenden.

Nicht empfohlen	Empfohlen
net = alexnet;	[net,classNames] = imagePretrainedNetwork("alexnet");
net = alexnet(Weights="none");	net = imagePretrainedNetwork("alexnet",Weights="none");

imagePretrainedNetwork gibt ein dlnetwork-Objekt aus, das die folgenden Vorteile aufweist:

• dlnetwork-Objekte haben einen einheitlichen Datentyp, der die Erstellung von Netzen, Vorhersagen, integriertes Training, Visualisierung, Komprimierung, Verifikation und benutzerdefinierte Trainingsschleifen unterstützt.

• dlnetwork-Objekte unterstützen eine breitere Palette von Netzwerkarchitekturen, die Sie erstellen oder von externen Plattformen importieren können.

• Die Funktion trainnet unterstützt dlnetwork-Objekte, so dass Sie Verlustfunktionen einfach angeben können. Sie können aus integrierten Verlustfunktionen wählen oder eine benutzerdefinierte Verlustfunktion angeben.

• Training und Vorhersage mit dlnetwork-Objekten ist in der Regel schneller als LayerGraph- und trainNetwork-Workflows.

Um ein als dlnetwork-Objekt festgelegtes neuronales Netz zu trainieren, verwenden Sie die Funktion trainnet.

Siehe auch

imagePretrainedNetwork | dlnetwork | trainingOptions | trainnet | importNetworkFromTensorFlow | Deep Network Designer

Themen

• Deep Learning in MATLAB
• Klassifizieren von Webcam-Bildern mithilfe von Deep Learning
• Pretrained Deep Neural Networks
• Retrain Neural Network to Classify New Images
• Vorbereiten des Netzes auf Transfer Learning mithilfe von Deep Network Designer
• Deep Learning Tips and Tricks