预训练的深度学习模型
利用深度学习研究社区开发的成熟模型架构。主流模型提供了稳健的架构，免去了从零开始设计模型的繁琐。
选择模型的窍门
可供选择的预训练模型有很多，每个模型各有利弊。
- 大小：模型需要多少内存
模型最终部署的位置将决定网络大小的重要性。
如果选择部署到低内存系统，请选择专门针对此类任务设计的模型。
查看适合边缘部署的模型 - 准确度：重新训练前模型的性能如何
通常情况下，如果一个模型在 ImageNet 数据集上性能良好，就说明该模型已经学习到了有用的特征，在类似的新任务中也会有良好的性能。
查看准确度较高的模型 - 预测速度：模型基于新图像进行预测速度有多快
预测速度会因硬件和批量大小等诸多因素而异，但同时也会受所选模型的架构以及模型大小的影响。
使用适合起步的简单模型比较预测速度。
阅读下文，了解各个模型间的利弊权衡。
要将模型导入 MATLAB，请使用以下语法结构：
>> net = networkname
即
>> net = alexnet >> net = resnet50
如果还没有下载模型，您可以直接通过 MATLAB 提供的链接下载模型。
在 Raspberry Pi 或 FPGA 等低计算、低功耗设备上进行部署时，模型的内存占用必须要小。
来自其他框架的模型
需要来自其他框架的模型？使用 ONNX、TensorFlow-Keras 和 Caffe 导入器将任意网络导入 MATLAB。
浏览示例：
