resnet101

（不推荐）ResNet-101 卷积神经网络

不推荐使用 resnet101。请改用 imagePretrainedNetwork 函数并指定 "resnet101" 模型。有关详细信息，请参阅版本历史记录。

语法

net = resnet101

net = resnet101('Weights','imagenet')

lgraph = resnet101('Weights','none')

说明

ResNet-101 是深度为 101 层的卷积神经网络。您可以从 ImageNet 数据库 [1] 中加载该网络的预训练版本，该版本基于 ImageNet 数据库的超过一百万个图像进行训练。该预训练网络可以将图像分类至 1000 个目标类别（例如键盘、鼠标、铅笔和多种动物）。因此，该网络已基于大量图像学习了丰富的特征表示。该网络的图像输入大小为 224×224。有关 MATLAB^® 中预训练网络的详细信息，请参阅预训练的深度神经网络。

net = resnet101 返回基于 ImageNet 数据集训练的 ResNet-101 网络。

此函数需要 Deep Learning Toolbox™ Model for ResNet-101 Network 支持包。如果未安装此支持包，则函数会提供下载链接。

示例

net = resnet101('Weights','imagenet') 返回基于 ImageNet 数据集训练的 ResNet-101 网络。此语法等效于 net = resnet101。

lgraph = resnet101('Weights','none') 返回未经训练的 ResNet-101 网络架构。未经训练的模型不需要支持包。

示例

全部折叠

下载 ResNet-101 支持包

下载并安装 Deep Learning Toolbox Model for ResNet-101 Network 支持包。

在命令行中键入 resnet101。

resnet101

如果未安装 Deep Learning Toolbox Model for ResNet-101 Network 支持包，该函数将在附加功能资源管理器中提供所需支持包的链接。要安装支持包，请点击链接，然后点击安装。通过在命令行中键入 resnet101 来检查安装是否成功。如果安装了所需的支持包，则该函数返回 DAGNetwork 对象。

resnet101

ans = 

  DAGNetwork with properties:

         Layers: [347×1 nnet.cnn.layer.Layer]
    Connections: [379×2 table]

使用深度网络设计器可视化网络。

deepNetworkDesigner(resnet101)

通过点击新建，在深度网络设计器中浏览其他预训练神经网络。

Deep Network Designer start page showing available pretrained neural networks

如果需要下载一个神经网络，请在所需的神经网络上暂停，然后点击安装以打开附加功能资源管理器。

输出参量

全部折叠

`net` — 预训练的 ResNet-101 卷积神经网络
`DAGNetwork` 对象

预训练的 ResNet-101 卷积神经网络，以 DAGNetwork 对象形式返回。

`lgraph` — 未经训练的 ResNet-101 卷积神经网络架构
`LayerGraph` 对象

未经训练的 ResNet-101 卷积神经网络架构，以 LayerGraph 对象形式返回。

参考

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

[2] He, Kaiming, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. “Deep Residual Learning for Image Recognition.” In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–78. Las Vegas, NV, USA: IEEE, 2016. https://doi.org/10.1109/CVPR.2016.90.

[3] https://github.com/KaimingHe/deep-residual-networks

扩展功能

全部展开

C/C++ 代码生成
使用 MATLAB® Coder™ 生成 C 代码和 C++ 代码。

要进行代码生成，您可以通过使用语法 net = resnet101 或通过将 resnet101 函数传递给 coder.loadDeepLearningNetwork (MATLAB Coder) 来加载网络。例如：net = coder.loadDeepLearningNetwork('resnet101')

有关详细信息，请参阅加载预训练网络以用于代码生成 (MATLAB Coder)。

代码生成不支持语法 resnet101('Weights','none')。

GPU 代码生成
使用 GPU Coder™ 为 NVIDIA® GPU 生成 CUDA® 代码。

用法说明和限制：

要进行代码生成，您可以通过使用语法 net = resnet101 或通过将 resnet101 函数传递给 coder.loadDeepLearningNetwork (GPU Coder) 来加载网络。例如：net = coder.loadDeepLearningNetwork('resnet101')
有关详细信息，请参阅Load Pretrained Networks for Code Generation (GPU Coder)。
GPU 代码生成不支持语法 resnet101('Weights','none')。

版本历史记录

在 R2017b 中推出

全部折叠

R2024a: 不推荐

不推荐使用 resnet101。请改用 imagePretrainedNetwork 函数，并将 "resnet101" 指定为模型。

目前没有停止支持 resnet101 函数的计划。但是，imagePretrainedNetwork 函数具有额外的功能，可以帮助执行迁移学习工作流。例如，您可以使用 numClasses 选项指定数据中的类数量，该函数将返回一个无需进行修改即可用于重新训练的网络。

imagePretrainedNetwork 函数返回该网络作为 dlnetwork 对象，该对象不存储类名称。要获取预训练网络的类名称，请使用 imagePretrainedNetwork 函数的第二个输出参量。

下表显示了 resnet101 函数的一些典型用法，以及如何更新您的代码以改用 imagePretrainedNetwork 函数。

不推荐	推荐
`net = resnet101;`	`[net,classNames] = imagePretrainedNetwork("resnet101");`
`net = resnet101(Weights="none");`	`net = imagePretrainedNetwork("resnet101",Weights="none");`

imagePretrainedNetwork 返回一个 dlnetwork 对象，该对象也具有以下优点：

dlnetwork 对象是一种统一的数据类型，支持网络构建、预测、内置训练、可视化、压缩、验证和自定义训练循环。
dlnetwork 对象支持更广泛的网络架构，您可以创建或从外部平台导入这些网络架构。
trainnet 函数支持 dlnetwork 对象，这使您能够轻松指定损失函数。您可以从内置损失函数中进行选择或指定自定义损失函数。
使用 dlnetwork 对象进行训练和预测通常比使用 LayerGraph 和 trainNetwork 工作流更快。

要训练指定为 dlnetwork 对象的神经网络，请使用 trainnet 函数。

另请参阅

resnet101

语法

说明

示例

下载 ResNet-101 支持包

输出参量

net — 预训练的 ResNet-101 卷积神经网络 DAGNetwork 对象

lgraph — 未经训练的 ResNet-101 卷积神经网络架构 LayerGraph 对象

参考

扩展功能

C/C++ 代码生成 使用 MATLAB® Coder™ 生成 C 代码和 C++ 代码。

GPU 代码生成 使用 GPU Coder™ 为 NVIDIA® GPU 生成 CUDA® 代码。

版本历史记录

R2024a: 不推荐

另请参阅

主题

`net` — 预训练的 ResNet-101 卷积神经网络
`DAGNetwork` 对象

`lgraph` — 未经训练的 ResNet-101 卷积神经网络架构
`LayerGraph` 对象

C/C++ 代码生成
使用 MATLAB® Coder™ 生成 C 代码和 C++ 代码。

GPU 代码生成
使用 GPU Coder™ 为 NVIDIA® GPU 生成 CUDA® 代码。