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

squeezenet

Rete neurale convoluzionale SqueezeNet (non consigliata)

• 

squeezenet non è consigliata. Utilizzare invece la funzione imagePretrainedNetwork. Per ulteriori informazioni, vedere Storico della versione.

Sintassi

net = squeezenet

net = squeezenet('Weights','imagenet')

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

Descrizione

SqueezeNet è una rete neurale convoluzionale con 18 livelli di profondità. È possibile caricare una versione preaddestrata della rete, addestrata su oltre un milione di immagini del database di ImageNet [1]. La rete preaddestrata 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. Questa funzione restituisce una rete SqueezeNet v1.1, che presenta una precisione simile alla precisione di SqueezeNet v1.0 ma richiede meno operazioni in virgola mobile per ciascuna previsione [3]. La dimensione di input dell'immagine della rete è 227x227. Per ulteriori reti addestrate in MATLAB^®, vedere Reti neurali profonde preaddestrate.

net = squeezenet restituisce una rete SqueezeNet addestrata sul set di dati di ImageNet.

net = squeezenet('Weights','imagenet') restituisce una rete SqueezeNet addestrata sul set di dati di ImageNet. Questa sintassi è equivalente a net = squeezenet.

lgraph = squeezenet('Weights','none') restituisce l'architettura della rete SqueezeNet non addestrata.

Esempi

Caricamento della rete SqueezeNet

Caricare una rete SqueezeNet preaddestrata.

net = squeezenet

net = 

  DAGNetwork with properties:

         Layers: [68×1 nnet.cnn.layer.Layer]
    Connections: [75×2 table]

Questa funzione restituisce un oggetto DAGNetwork.

SqueezeNet è compresa in Deep Learning Toolbox™. Per caricare altre reti, utilizzare le funzioni come googlenet per ottenere i link e scaricare le reti preaddestrate dall'Add-On Explorer.

Argomenti di output

net — Rete neurale convoluzionale SqueezeNet preaddestrata

Oggetto DAGNetwork

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

lgraph — Architettura della rete neurale convoluzionale SqueezeNet non addestrata

Oggetto LayerGraph

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

Riferimenti

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

[2] Iandola, Forrest N., Song Han, Matthew W. Moskewicz, Khalid Ashraf, William J. Dally, and Kurt Keutzer. “SqueezeNet: AlexNet-Level Accuracy with 50x Fewer Parameters and <0.5MB Model Size.” Preprint, submitted November 4, 2016. https://arxiv.org/abs/1602.07360.

[3] Iandola, Forrest N. "SqueezeNet." https://github.com/forresti/SqueezeNet.

Funzionalità estese

Generazione di codice C/C++

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

Per la generazione di codice, caricare la rete passando la funzione squeezenet su coder.loadDeepLearningNetwork (MATLAB Coder). Ad esempio: net = coder.loadDeepLearningNetwork('squeezenet').

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

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

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

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

Cronologia versioni

Introdotto in R2018a

R2024a: Non consigliato

squeezenet non è consigliata. Utilizzare invece la funzione imagePretrainedNetwork.

Non è prevista la sospensione dell'assistenza per la funzione squeezenet. 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 squeezenet e come aggiornare il codice per utilizzare invece la funzione imagePretrainedNetwork.

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

• 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