squeezenet

(Nicht empfohlen) Convolutional Neural Network SqueezeNet

• 

squeezenet wird nicht empfohlen. Verwenden Sie stattdessen die Funktion imagePretrainedNetwork. Weitere Informationen finden Sie unter Versionsverlauf.

Syntax

net = squeezenet

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

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

Beschreibung

SqueezeNet ist ein 18 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. Diese Funktion gibt ein SqueezeNet v1.1 Netz zurück, das eine ähnliche Genauigkeit wie SqueezeNet v1.0 aufweist, jedoch weniger Gleitkommaoperationen pro Vorhersage benötigt [3]. Dieses Netz weist eine Bild-Eingangsgröße von 227x227 auf. Weitere Informationen über vortrainierte Netze in MATLAB^® finden Sie unter Pretrained Deep Neural Networks.

net = squeezenet gibt ein mit dem ImageNet-Datensatz trainiertes SqueezeNet-Netz zurück.

net = squeezenet('Weights','imagenet') gibt ein mit dem ImageNet-Datensatz trainiertes SqueezeNet-Netz zurück. Diese Syntax ist äquivalent zu net = squeezenet.

lgraph = squeezenet('Weights','none') gibt die untrainierte SqueezeNet-Netzarchitektur zurück.

Beispiele

Laden des SqueezeNet-Netzes

Laden Sie ein vortrainiertes SqueezeNet-Netz.

net = squeezenet

net = 

  DAGNetwork with properties:

         Layers: [68×1 nnet.cnn.layer.Layer]
    Connections: [75×2 table]

Diese Funktion gibt ein DAGNetwork-Objekt zurück.

SqueezeNet ist Teil der Deep Learning Toolbox™. Um andere Netze zu laden, verwenden Sie Funktionen wie googlenet, um Links zum Herunterladen vortrainierter Netze aus dem Add-On Explorer abzurufen.

Ausgangsargumente

net — Vortrainiertes Convolutional Neural Network SqueezeNet

DAGNetwork-Objekt

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

lgraph — Architektur des untrainierten Convolutional Neural Networks SqueezeNet

LayerGraph-Objekt

Architektur des untrainierten Convolutional Neural Networks SqueezeNet, ausgegeben als LayerGraph-Objekt.

Referenzen

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

[2] Iandola, Forrest N., Song Han, Matthew W. Moskewicz, Khalid Ashraf, William J. Dally, and Kurt Keutzer. “SqueezeNet: AlexNet-Level Accuracy with 50x Fewer Parameters and <0.5MB Model Size.” Preprint, submitted November 4, 2016. https://arxiv.org/abs/1602.07360.

[3] Iandola, Forrest N. "SqueezeNet." https://github.com/forresti/SqueezeNet.

Erweiterte Fähigkeiten

C/C++ Codegenerierung

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

Für die Codegenerierung laden Sie das Netz, indem Sie die Funktion squeezenet an coder.loadDeepLearningNetwork (MATLAB Coder) übergeben. Beispiel: net = coder.loadDeepLearningNetwork('squeezenet').

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

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

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

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

Versionsverlauf

Eingeführt in R2018a

R2024a: Nicht empfohlen

squeezenet wird nicht empfohlen. Verwenden Sie stattdessen die Funktion imagePretrainedNetwork.

Es wird nicht geplant, die Unterstützung für die squeezenet-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 squeezenet und demonstriert, wie Sie Ihren Code aktualisieren können, um stattdessen die Funktion imagePretrainedNetwork zu verwenden.

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

• Deep Learning in MATLAB
• Pretrained Deep Neural Networks
• Klassifizieren von Bildern mit GoogLeNet
• Retrain Neural Network to Classify New Images
• Train Residual Network for Image Classification