预训练网络

使用预训练图像网络快速学习新任务

使用迁移学习以利用预训练网络所提供的知识来学习新图像数据中的新模式。通常来说，使用迁移学习对预训练的图像分类网络进行微调比从头开始训练更快更容易。使用预训练的深度网络，您可以针对新任务快速创建模型，而无需定义和训练新网络，也不需要使用数百万个图像或强大的 GPU。要探索可用的预训练网络，请使用深度网络设计器。

App

深度网络设计器

设计、可视化和训练深度学习网络

函数

全部展开

训练网络

`trainingOptions`	Options for training deep learning neural network
`trainNetwork`	训练神经网络
`trainnet`	Train deep learning neural network (自 R2023b 起)
`analyzeNetwork`	Analyze deep learning network architecture

预训练网络

`squeezenet`	SqueezeNet 卷积神经网络
`googlenet`	GoogLeNet 卷积神经网络
`inceptionv3`	Inception-v3 卷积神经网络
`densenet201`	DenseNet-201 卷积神经网络
`mobilenetv2`	MobileNet-v2 卷积神经网络
`resnet18`	ResNet-18 卷积神经网络
`resnet50`	ResNet-50 卷积神经网络
`resnet101`	ResNet-101 卷积神经网络
`xception`	Xception 卷积神经网络
`inceptionresnetv2`	预训练 Inception-ResNet-v2 卷积神经网络
`nasnetlarge`	预训练 NASNet-Large 卷积神经网络
`nasnetmobile`	预训练的 NASNet-Mobile 卷积神经网络
`shufflenet`	预训练 ShuffleNet 卷积神经网络
`darknet19`	DarkNet-19 卷积神经网络 (自 R2020a 起)
`darknet53`	DarkNet-53 卷积神经网络 (自 R2020a 起)
`efficientnetb0`	EfficientNet-b0 卷积神经网络 (自 R2020b 起)
`alexnet`	AlexNet 卷积神经网络
`vgg16`	VGG-16 卷积神经网络
`vgg19`	VGG-19 卷积神经网络

预测

`classify`	(Not recommended) Classify data using trained deep learning neural network
`predict`	(Not recommended) Predict responses using trained deep learning neural network
`activations`	计算深度学习网络层激活
`confusionchart`	Create confusion matrix chart for classification problem
`sortClasses`	Sort classes of confusion matrix chart

模块

全部展开

深度神经网络

Predict	使用经过训练的深度学习神经网络预测响应 (自 R2020b 起)
Image Classifier	使用经过训练的深度学习神经网络对数据进行分类 (自 R2020b 起)

主题

使用深度学习对网络摄像头图像进行分类
此示例说明如何使用预训练的深度卷积神经网络 GoogLeNet 实时对来自网络摄像头的图像进行分类。
训练深度学习网络以对新图像进行分类
此示例说明如何使用迁移学习来重新训练卷积神经网络以对新图像集进行分类。
使用预训练网络进行迁移学习
此示例说明如何微调预训练的 GoogLeNet 卷积神经网络以对新的图像集合执行分类。
预训练的深度神经网络
了解如何下载和使用预训练的卷积神经网络进行分类、迁移学习和特征提取。
在 MATLAB 中进行深度学习
通过使用卷积神经网络进行分类和回归来探索 MATLAB^® 的深度学习能力，包括预训练网络和迁移学习，以及在 GPU、CPU、集群和云上进行训练。
Deep Learning Tips and Tricks
Learn how to improve the accuracy of deep learning networks.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.

精选示例

使用 GoogLeNet 对图像进行分类

此示例说明如何使用预训练的深度卷积神经网络 GoogLeNet 对图像进行分类。

打开实时脚本

使用预训练网络提取图像特征

此示例说明如何从预训练的卷积神经网络中提取已学习的图像特征，并使用这些特征来训练图像分类器。特征提取是使用预训练深度网络的表征能力的最简单最快捷的方式。例如，您可以使用 fitcecoc(Statistics and Machine Learning Toolbox™) 基于提取的特征来训练支持向量机 (SVM)。由于特征提取只需要遍历一次数据，因此如果没有 GPU 来加速网络训练，则不妨从特征提取开始。

打开实时脚本

使用深度网络设计器进行迁移学习

以交互方式微调预训练的深度学习网络以学习新的图像分类任务。

打开实时脚本

将分类网络转换为回归网络

此示例说明如何将经过训练的分类网络转换为回归网络。

打开实时脚本

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.

打开脚本