预训练的深度学习模型
利用深度学习研究社区开发的模型架构。常见模型提供稳健的架构，无需从头开始。
获取预训练模型
与其从头开始创建深度学习模型，不如使用预训练模型。您可以将其直接应用或对其进行修改以适用于您的任务。
MATLAB 模型
浏览 MATLAB 深度学习模型中心，按类别访问最新模型并获取关于选择模型的提示。
使用命令行加载大多数模型。例如:
net = darknet19;
开源模型
通过使用导入函数将 TensorFlow™、PyTorch® 和 ONNX™ 模型转换为 MATLAB 网络。例如:
net = importTensorFlowNetwork("EfficientNetV2L")
应用预训练模型
将预训练模型应用于图像分类、计算机视觉、音频处理、激光雷达处理和其他深度学习工作流。
- 找到合适的预训练模型并将其直接应用于您的任务。
- 通过调整预训练模型来适应新的任务或数据集，以执行迁移学习。更新和重新训练模型比从头开始创建模型更快，也更容易。
- 通过将层激活作为特征使用预训练模型作为特征提取器。然后使用这些特征来训练另一个机器学习模型，例如支持向量机 (SVM)。
- 使用预训练模型作为另一种模型的基础。例如，使用卷积神经网络作为创建目标检测或语义分割模型的起点。
选择模型的提示
有许多预训练模型可供选择，每种模型都有各自的优缺点：
速度
一开始可以选择一个速度更快的模型，例如 SqueezeNet 或 GoogleNet。然后快速迭代，尝试不同的预处理和训练选项。
准确度
在了解哪些设置效果较好后，可以尝试更准确的模型，如 Inception-v3 或 ResNet-50，看看这是否会改进您的结果。
大小
当需要部署到 Raspberry Pi® 或 FPGA 等边缘设备时，请选择低内存占用的模型，如 SqueezeNet 或 MobileNet-v2。
产品
了解深度学习模型使用的产品。
30天免费试用
快速入门
