這一個例子是利用已經(jīng)訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)， GoogLeNet， 其具體的解釋詳見另一篇轉(zhuǎn)載的博客。

GoogLeNet has been trained on over a million images and can classify images into 1000 object categories (such as keyboard, coffee mug, pencil, and many animals). The network has learned rich feature representations for a wide range of images. The network takes an image as input and outputs a label for the object in the image together with the probabilities for each of the object categories.

Step 1.
加載深度學(xué)習(xí)網(wǎng)絡(luò)， 并查看輸入層的大小。

net = googlenet;
inputSize = net.Layers(1).InputSize

得到

inputSize =

224 224 3

網(wǎng)絡(luò)層的最后一個層為輸出層，隨機查看1000種分類中的10個

classNames = net.Layers(end).ClassNames;
numClasses = numel(classNames);
disp(classNames(randperm(numClasses,10)))

得到
'speedboat'
'window screen'
'isopod'
'wooden spoon'
'lipstick'
'drake'
'hyena'
'dumbbell'
'strawberry'
'custard apple'

Step2.
載入圖片并重置尺寸

I = imread('peppers.png');
figure
imshow(I)

size(I)

I = imresize(I,inputSize(1:2));
figure
imshow(I)

得到
ans =

384 512 3
原圖如下

圖片.png

重置后

圖片.png

Step 3.
分類圖片

[label,scores] = classify(net,I);
label

得到

圖片.png

顯示圖片并計算概率

figure
imshow(I)
title(string(label) + ", " + num2str(100*scores(classNames == label),3) + "%");

圖片.png

顯示概率前5的分類結(jié)果

[~,idx] = sort(scores,'descend');
idx = idx(5:-1:1);
classNamesTop = net.Layers(end).ClassNames(idx);
scoresTop = scores(idx);

figure
barh(scoresTop)
xlim([0 1])
title('Top 5 Predictions')
xlabel('Probability')
yticklabels(classNamesTop)

圖片.png

總結(jié)：

主要學(xué)習(xí)了 如何 調(diào)用已經(jīng)訓(xùn)練好的 深度學(xué)習(xí)網(wǎng)絡(luò) googlenet， 對于另外的深度學(xué)習(xí)網(wǎng)絡(luò)，方法相同
如

圖片.png