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。

模型

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。

适合起步的简单模型

这些模型支持您快速迭代并尝试各种设置，如数据预处理步骤和训练选项。一旦您发现某套设置效果不错，就可以尝试换一个更准确的网络，看看它能否改善结果。

series

AlexNet

VGG-16

VGG-19

GoogLeNet

浏览示例：

交互式修改深度学习网络以进行迁移学习.
Video length is 2:43.
交互式修改深度学习网络以进行迁移学习
训练深度学习网络对新图像进行分类. 训练深度学习网络对新图像进行分类
训练深度学习网络对新图像进行分类

准确度较高的模型

探索能有效执行基于图像的工作流程的模型，如图像分类、目标检测和语义分割。

inception

ResNet-50

Inception-v3

Densenet-201

Xception

对于目标检测工作流程：

DarkNet-19、DarkNet-53 和 ResNet-50 经常用作目标检测问题和 YOLO 工作流程的基础。查看使用 Yolov2 和 Yolov3 进行目标检测的示例。

对于语义分割工作流程：

要训练语义分割网络，预定义的网络架构会是一个便捷的起点。以下是语义分割问题中常用的层架构。

  • segnetLayers
  • unetLayers
  • unet3dLayers
  • DeepLab v3+

查看此处，了解如何使用 Deeplab v3+ 创建语义分割网络。

适合边缘部署的模型

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。

squeezenet

SqueezeNet

MobileNet-v2

ShuffLeNet

EfficientNet-b0

查看相关主题：

int8 量化简介及其广泛运用于深度神经网络的原因. What Is int8 Quantization and Why Is It Popular for Deep Neural Networks?
int8 量化简介及其广泛运用于深度神经网络的原因

浏览示例：

深度学习网络的代码生成. 深度学习网络的代码生成
深度学习网络的代码生成
为使用 U-net 的语义分割网络生成代码. 为使用 U-net 的语义分割网络生成代码
为使用 U-net 的语义分割网络生成代码

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：

导入预训练的 ONNX YOLO v2 目标检测器. 导入预训练的 ONNX YOLO v2 目标检测器
导入预训练的 ONNX YOLO v2 目标检测器
将预训练的深度学习网络导入 MATLAB.
Video length is 12:01.
将预训练的深度学习网络导入 MATLAB
在 MATLAB 中导入 TensorFlow-Keras 模型.
Video length is 3:37.
在 MATLAB 中导入 TensorFlow-Keras 模型

不支持的层？

了解如何导入预训练的 Keras 层，并用自定义层替换不支持的层。

了解更多

MATLAB 中可用模型的完整列表

浏览文档

新的深度学习模型和示例

浏览 GitHub

30天免费试用

开始使用
Deep Learning Toolbox

探索 Deep Learning Toolbox

了解更多