La traduzione di questa pagina non è aggiornata. Fai clic qui per vedere l'ultima versione in inglese.

inceptionresnetv2

Rete neurale convoluzionale Inception-ResNet-v2 preaddestrata (non consigliata)

• 

inceptionresnetv2 non è consigliata. Utilizzare invece la funzione imagePretrainedNetwork e specificare il modello "inceptionresnetv2". Per ulteriori informazioni, vedere Storico della versione.

Sintassi

net = inceptionresnetv2

Descrizione

Inception-ResNet-v2 è una rete neurale convoluzionale addestrata su oltre un milione di immagini del database ImageNet [1]. La rete ha 164 livelli di profondità ed è in grado di classificare le immagini in 1000 categorie di oggetti, come tastiera, mouse, matita e molti animali. Di conseguenza, la rete ha appreso rappresentazioni ricche di feature per un'ampia gamma di immagini. La rete ha una dimensione di input dell'immagine di 299x299. Per ulteriori reti addestrate in MATLAB^®, vedere Reti neurali profonde preaddestrate.

net = inceptionresnetv2 restituisce una rete Inception-ResNet-v2 preaddestrata.

Questa funzione richiede il pacchetto di supporto Deep Learning Toolbox™ Model per la rete Inception-ResNet-v2. Se il pacchetto di supporto non è installato, la funzione fornisce un link per il download.

Esempi

Caricamento della rete Inception-ResNet-v2 preaddestrata

Scaricare e installare il pacchetto di supporto Deep Learning Toolbox Model for Inception-ResNet-v2 Network.

Digitare inceptionresnetv2 nella riga di comando.

inceptionresnetv2

Se il pacchetto di supporto Deep Learning Toolbox Model for Inception-ResNet-v2 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 inceptionresnetv2 nella riga di comando. Se il pacchetto di supporto richiesto è installato, la funzione restituisce un oggetto DAGNetwork.

net = inceptionresnetv2

net = 

  DAGNetwork with properties:

         Layers: [824×1 nnet.cnn.layer.Layer]
    Connections: [921×2 table]
     InputNames: {'input_1'}
    OutputNames: {'ClassificationLayer_predictions'}

Visualizzare la rete con Deep Network Designer.

deepNetworkDesigner(inceptionresnetv2)

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 output

net — Rete neurale convoluzionale Inception-ResNet-v2 preaddestrata

Oggetto DAGNetwork

Rete neurale convoluzionale Inception-ResNet-v2 preaddestrata, restituita come un oggetto DAGNetwork.

Riferimenti

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

[2] Szegedy, Christian, Sergey Ioffe, Vincent Vanhoucke, and Alexander Alemi. “Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning.” Proceedings of the AAAI Conference on Artificial Intelligence 31, no. 1 (February 12, 2017). https://doi.org/10.1609/aaai.v31i1.11231.

[3] https://keras.io/api/applications/inceptionresnetv2/

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 = inceptionresnetv2 o passando la funzione inceptionresnetv2 su coder.loadDeepLearningNetwork (MATLAB Coder). Ad esempio: net = coder.loadDeepLearningNetwork('inceptionresnetv2')

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

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 = inceptionresnetv2 o passando la funzione inceptionresnetv2 su coder.loadDeepLearningNetwork (GPU Coder). Ad esempio: net = coder.loadDeepLearningNetwork('inceptionresnetv2')

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

Cronologia versioni

Introdotto in R2017b

R2024a: Non consigliato

inceptionresnetv2 non è consigliata. Utilizzare invece la funzione imagePretrainedNetwork e specificare "inceptionresnetv2" come modello.

Non è prevista la sospensione dell'assistenza per la funzione inceptionresnetv2. 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.

La funzione imagePretrainedNetwork restituisce la rete come oggetto dlnetwork che non memorizza i nomi delle classi. Per ottenere i nomi delle classi della rete preaddestrata, utilizzare il secondo argomento di output della funzione imagePretrainedNetwork.

Questa tabella mostra alcuni usi tipici della funzione inceptionresnetv2 e come aggiornare il codice per utilizzare invece la funzione imagePretrainedNetwork.

Non consigliato	Consigliato
net = inceptionresnetv2;	[net,classNames] = imagePretrainedNetwork("inceptionresnetv2");
net = inceptionresnetv2(Weights="none");	net = imagePretrainedNetwork("inceptionresnetv2",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 | importNetworkFromTensorFlow

Argomenti

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