googlenet

Rete neurale convoluzionale GoogLeNet (non consigliata)

• 

googlenet non è consigliata. Utilizzare invece la funzione imagePretrainedNetwork e specificare il modello "googlenet". Per ulteriori informazioni, vedere Cronologia della versione.

Sintassi

net = googlenet

net = googlenet('Weights',weights)

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

Descrizione

GoogLeNet è una rete neurale convoluzionale con 22 livelli di profondità. È possibile caricare una versione preaddestrata della rete, addestrata sui set di dati di ImageNet [1] o di Places365 [2] [3]. La rete addestrata su ImageNet classifica le immagini in 1000 categorie di oggetti, come tastiera, mouse, matita e molti animali. La rete addestrata su Places365 è simile alla rete addestrata su ImageNet ma classifica le immagini in 365 diverse categorie di luoghi, come campi, parchi, piste e atri. Queste reti hanno appreso diverse rappresentazioni delle feature per un'ampia gamma di immagini. Le reti preaddestrate hanno entrambe una dimensione di input dell'immagine di 224 per 224. Per ulteriori reti addestrate in MATLAB^®, vedere Reti neurali profonde preaddestrate.

net = googlenet restituisce una rete GoogLeNet addestrata sul set di dati di ImageNet.

Questa funzione richiede il pacchetto di supporto Deep Learning Toolbox™ Model for GoogLeNet Network. Se il pacchetto di supporto non è installato, la funzione fornisce un link per il download.

net = googlenet('Weights',weights) restituisce una rete GoogLeNet addestrata sul set di dati di ImageNet o di Places365. La sintassi (predefinita) googlenet('Weights','imagenet') è equivalente a googlenet.

La rete addestrata su ImageNet richiede il pacchetto di supporto Deep Learning Toolbox Model for GoogLeNet Network. La rete addestrata su Places365 richiede il pacchetto di supporto Deep Learning Toolbox Model for Places365-GoogLeNet Network. Se il pacchetto di supporto richiesto non è installato, la funzione fornisce un link per il download.

lgraph = googlenet('Weights','none') restituisce l’architettura della rete GoogLeNet non addestrata. Il modello non addestrato non richiede il pacchetto di supporto.

Esempi

Download del pacchetto di supporto GoogLeNet

Scaricare e installare il pacchetto di supporto Deep Learning Toolbox Model for GoogLeNet Network.

Digitare googlenet nella riga di comando.

googlenet

Se il pacchetto di supporto Deep Learning Toolbox Model for GoogLeNet Network non è installato, la funzione fornisce un link al pacchetto di supporto richiesto nell’Add-On Explorer. Fare clic sul link per installare il pacchetto di supporto, quindi fare clic su Install. Verificare che l’installazione sia stata eseguita correttamente digitando googlenet nella riga di comando. Se il pacchetto di supporto richiesto è installato, la funzione restituisce un oggetto DAGNetwork.

googlenet

ans = 

  DAGNetwork with properties:

         Layers: [144×1 nnet.cnn.layer.Layer]
    Connections: [170×2 table]

Visualizzare la rete con Deep Network Designer.

deepNetworkDesigner(googlenet)

Scoprire altre reti neurali preaddestrate in Deep Network Designer facendo clic su New.

Se è necessario scaricare una rete neurale, fermarsi sulla rete neurale desiderata e fare clic su Install per aprire l’Add-On Explorer.

Argomenti di input

weights — Sorgente dei parametri di rete

'imagenet' (predefinito) | 'places365' | 'none'

Sorgente dei parametri di rete, specificata come 'imagenet', 'places365' o 'none'.

• Se weights è uguale a 'imagenet', la rete avrà pesi addestrati sul set di dati di ImageNet.

• Se weights è uguale a 'places365', la rete avrà pesi addestrati sul set di dati di Places365.

• Se weights è uguale a 'none', verrà restituita l’architettura della rete non addestrata.

Esempio 'places365'

Argomenti di output

net — Rete neurale convoluzionale GoogLeNet preaddestrata

Oggetto DAGNetwork

Rete neurale convoluzionale GoogLeNet preaddestrata, restituita come un oggetto DAGNetwork.

lgraph — Architettura della rete neurale convoluzionale GoogLeNet non addestrata

Oggetto LayerGraph

Architettura della rete neurale convoluzionale GoogLeNet non addestrata, restituita come un oggetto LayerGraph.

Riferimenti

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

[2] Zhou, Bolei, Aditya Khosla, Agata Lapedriza, Antonio Torralba, and Aude Oliva. "Places: An image database for deep scene understanding." arXiv preprint arXiv:1610.02055 (2016).

[3] Places. http://places2.csail.mit.edu/

[4] Szegedy, Christian, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, and Andrew Rabinovich. “Going Deeper with Convolutions.” In 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1–9. Boston, MA, USA: IEEE, 2015. https://doi.org/10.1109/CVPR.2015.7298594.

[5] BVLC GoogLeNet Model. https://github.com/BVLC/caffe/tree/master/models/bvlc_googlenet

Funzionalità estese

Generazione di codice C/C++

Genera codice C e C++ con MATLAB® Coder™.

Per la generazione di codice, è possibile caricare la rete utilizzando la sintassi net = googlenet o passando la funzione googlenet su coder.loadDeepLearningNetwork (MATLAB Coder). Ad esempio: net = coder.loadDeepLearningNetwork('googlenet')

Per ulteriori informazioni, vedere Load Pretrained Networks for Code Generation (MATLAB Coder).

La sintassi googlenet('Weights','none') non è supportata per la generazione di codice.

Generazione di codice GPU

Genera codice CUDA® per GPU NVIDIA® con GPU Coder™.

Note sull’utilizzo e sulle limitazioni:

• Per la generazione di codice, è possibile caricare la rete utilizzando la sintassi net = googlenet o passando la funzione googlenet su coder.loadDeepLearningNetwork (GPU Coder). Ad esempio: net = coder.loadDeepLearningNetwork('googlenet').

  Per ulteriori informazioni, vedere Load Pretrained Networks for Code Generation (GPU Coder).

• La sintassi googlenet('Weights','none') non è supportata per la generazione di codice GPU.

Cronologia versioni

Introdotto in R2017b

R2024a: Non consigliato

googlenet non è consigliata. Utilizzare invece la funzione imagePretrainedNetwork e specificare "googlenet" come modello.

Non è prevista la sospensione dell'assistenza per la funzione googlenet. Comunque, la funzione imagePretrainedNetwork presenta delle funzionalità aggiuntive che aiutano i workflow del transfer learning. Ad esempio, è possibile specificare il numero di classi nei dati utilizzando l'opzione numClasses; in questo modo, la funzione restituisce una rete pronta per essere riaddestrata senza bisogno di modifiche.

Questa tabella mostra alcuni usi tipici della funzione googlenet e come aggiornare il codice per utilizzare invece la funzione imagePretrainedNetwork.

Non consigliato	Consigliato
net = googlenet;	net = imagePretrainedNetwork("googlenet");
net = googlenet(Weights="places365");	net = imagePretrainedNetwork("googlenet-places365")
net = googlenet(Weights="none");	net = imagePretrainedNetwork("googlenet",Weights="none");

imagePretrainedNetwork restituisce un oggetto dlnetwork che presenta inoltre questi vantaggi:

• Gli oggetti dlnetwork sono un tipo di dati unificato che supporta la costruzione di reti, la previsione, l'addestramento integrato, la visualizzazione, la compressione, la verifica e i loop di addestramento personalizzati.

• Gli oggetti dlnetwork supportano una gamma più ampia di architetture di rete che è possibile creare o importare da piattaforme esterne.

• La funzione trainnet supporta gli oggetti dlnetwork che consentono di specificare le funzioni di perdita con facilità. È possibile scegliere tra le funzioni di perdita integrate o specificare una funzione di perdita personalizzata.

• L'addestramento e la previsione con gli oggetti dlnetwork è generalmente più veloce dei workflow LayerGraph e trainNetwork.

Per addestrare una rete neurale specificata come oggetto dlnetwork, utilizzare la funzione trainnet.

Vedi anche

imagePretrainedNetwork | dlnetwork | trainingOptions | trainnet | Deep Network Designer

Argomenti

• Preparazione della rete per il transfer learning con Deep Network Designer
• Classificazione di immagini utilizzando GoogLeNet
• Retrain Neural Network to Classify New Images
• Deep Learning in MATLAB
• Reti neurali profonde preaddestrate
• Train Residual Network for Image Classification