深度学习

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。

MATLAB 深度学习模型中心

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。

图像分类

使用卷积神经网络，如 NASNet-Mobile 和 EfficientNet，执行图像分类任务。大多数 CNN 是基于 ImageNet 数据库训练的。

预训练深度神经网络

计算机视觉

使用目标检测 (YOLO)、语义/实例分割 (AdaptSeg/MASK R-CNN) 和视频分类 (SlowFast) 来分析图像和视频。

使用深度学习的计算机视觉

音频处理

使用 YAMNet 对声音进行定位和分类，使用 CREPE 估计音调，使用 VGGish 或 OpenL3 提取特征嵌入。

Audio Toolbox 预训练模型

激光雷达

使用分类 (PointNet)、目标检测 (PointPillars) 和语义分割 (PointSeg) 来分析点云数据。

使用深度学习的激光雷达处理

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。

模型
深度学习网络的代码生成
深度学习网络的代码生成

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

使用 MATLAB 进行深度学习

了解更多