googlenet

(Nicht empfohlen) Convolutional Neural Network GoogLeNet

• 

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

Syntax

net = googlenet

net = googlenet('Weights',weights)

lgraph = googlenet('Weights','none')

Beschreibung

GoogLeNet ist ein 22 Schichten tiefes Convolutional Neural Network. Sie können eine vortrainierte Version des Netzes laden, das anhand mehr als einer Million Bildern aus der Datenbank ImageNet [1] oder Places365 [2] [3] vortrainiert wurde. Das mit ImageNet trainierte Netz kann Bilder in 1000 Objektkategorien klassifizieren (z. B. Tastatur, Maus, Bleistift und viele Tierarten). Das mit Places365 trainierte Netz ähnelt dem mit ImageNet trainierten Netz, kann Bilder jedoch in 365 Ortskategorien klassifizieren, wie Feld, Park, Landebahn oder Lobby. Diese Netze haben unterschiedliche Merkmale für eine große Bandbreite von Bildern erlernt. Diese vortrainierten Netze weisen eine Bild-Eingangsgröße von 224x224 auf. Weitere Informationen über vortrainierte Netze in MATLAB^® finden Sie unter Pretrained Deep Neural Networks.

net = googlenet gibt ein mit dem ImageNet-Datensatz trainiertes GoogLeNet-Netz zurück.

Diese Funktion erfordert das Supportpaket Deep Learning Toolbox™ Model for GoogLeNet Network. Wenn das Supportpaket nicht installiert ist, stellt die Funktion einen Download-Link bereit.

net = googlenet('Weights',weights) gibt ein mit dem ImageNet- oder Places365-Datensatz trainiertes GoogLeNet-Netz zurück. Die Syntax googlenet('Weights','imagenet') (Standard) ist äquivalent zu googlenet.

Das mit ImageNet trainierte Netz erfordert das Supportpaket Deep Learning Toolbox Model for GoogLeNet Network. Das mit Places365 trainierte Netz erfordert das Supportpaket Deep Learning Toolbox Model for Places365-GoogLeNet Network. Wenn das erforderliche Supportpaket nicht installiert ist, stellt die Funktion einen Download-Link bereit.

lgraph = googlenet('Weights','none') gibt die untrainierte GoogLeNet-Netzarchitektur zurück. Das untrainierte Modell erfordert kein Supportpaket.

Beispiele

Herunterladen des GoogLeNet-Supportpakets

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

Geben Sie in der Befehlszeile googlenet ein.

googlenet

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

googlenet

ans = 

  DAGNetwork with properties:

         Layers: [144×1 nnet.cnn.layer.Layer]
    Connections: [170×2 table]

Visualisieren Sie das Netz mithilfe von Deep Network Designer.

deepNetworkDesigner(googlenet)

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.

Eingabeargumente

weights — Quellen von Netzparametern

'imagenet' (Standardeinstellung) | 'places365' | 'none'

Quellen von Netzparametern, angegeben als 'imagenet', 'places365' oder 'none'.

• Ist weights gleich 'imagenet', weist das Netz mit dem ImageNet-Datensatz trainierte Gewichtungen auf.

• Ist weights gleich 'places365', weist das Netz mit dem Places365-Datensatz trainierte Gewichtungen auf.

• Ist weights gleich 'none', wird die untrainierte Netzarchitektur zurückgegeben.

Beispiel: 'places365'

Ausgangsargumente

net — Vortrainiertes Convolutional Neural Network GoogLeNet

DAGNetwork-Objekt

Vortrainiertes Convolutional Neural Network GoogLeNet, zurückgegeben als DAGNetwork-Objekt.

lgraph — Architektur des untrainierten Convolutional Neural Network GoogLeNet

LayerGraph-Objekt

Architektur des untrainierten Convolutional Neural Networks GoogLeNet, zurückgegeben als LayerGraph-Objekt.

Referenzen

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

[2] Zhou, Bolei, Aditya Khosla, Agata Lapedriza, Antonio Torralba, and Aude Oliva. "Places: An image database for deep scene understanding." arXiv preprint arXiv:1610.02055 (2016).

[3] Places. http://places2.csail.mit.edu/

[4] Szegedy, Christian, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, and Andrew Rabinovich. “Going Deeper with Convolutions.” In 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1–9. Boston, MA, USA: IEEE, 2015. https://doi.org/10.1109/CVPR.2015.7298594.

[5] BVLC GoogLeNet Model. https://github.com/BVLC/caffe/tree/master/models/bvlc_googlenet

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 = googlenet verwenden oder die googlenet-Funktion an coder.loadDeepLearningNetwork (MATLAB Coder) übergeben. Beispiel: net = coder.loadDeepLearningNetwork('googlenet')

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

Die Syntax googlenet('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 = googlenet verwenden oder die googlenet-Funktion an coder.loadDeepLearningNetwork (GPU Coder) übergeben. Beispiel: net = coder.loadDeepLearningNetwork('googlenet').

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

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

Versionsverlauf

Eingeführt in R2017b

R2024a: Nicht empfohlen

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

Es wird nicht geplant, die Unterstützung für die googlenet-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.

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

Nicht empfohlen	Empfohlen
net = googlenet;	net = imagePretrainedNetwork("googlenet");
net = googlenet(Weights="places365");	net = imagePretrainedNetwork("googlenet-places365")
net = googlenet(Weights="none");	net = imagePretrainedNetwork("googlenet",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 | Deep Network Designer

Themen

• Vorbereiten des Netzes auf Transfer Learning mithilfe von Deep Network Designer
• Klassifizieren von Bildern mit GoogLeNet
• Retrain Neural Network to Classify New Images
• Deep Learning in MATLAB
• Pretrained Deep Neural Networks
• Train Residual Network for Image Classification