googlenet

(No recomendado) Red neuronal convolucional GoogLeNet

• 

×

No se recomienda el uso de googlenet. Utilice la función imagePretrainedNetwork en su lugar y especifique el modelo "googlenet". Para obtener más información, consulte Historial de versiones.

Sintaxis

net = googlenet

net = googlenet('Weights',weights)

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

Descripción

GoogLeNet es una red neuronal convolucional con 22 capas de profundidad. Puede cargar una versión preentrenada de la red entrenada con los conjuntos de datos de ImageNet [1] o Places365 [2] [3]. La red entrenada con ImageNet puede clasificar imágenes en 1000 categorías de objetos (por ejemplo, teclado, ratón, lápiz y muchos animales). La red entrenada con Places365 es similar a la red entrenada con ImageNet, pero clasifica imágenes en 365 categorías de ubicaciones diferentes (por ejemplo, campo, parque, pista de aterrizaje y recibidor). Estas redes han aprendido una serie de representaciones ricas en características para una amplia gama de imágenes. Las dos redes preentrenadas tienen un tamaño de entrada de imagen de 224 por 224. Para ver más redes preentrenadas en MATLAB^®, consulte Redes neuronales profundas preentrenadas.

net = googlenet devuelve una red GoogLeNet entrenada con el conjunto de datos de ImageNet.

Esta función requiere el paquete de soporte Deep Learning Toolbox™ Model for GoogLeNet Network. Si no ha instalado el paquete de soporte, la función proporciona un enlace de descarga.

net = googlenet('Weights',weights) devuelve una red GoogLeNet entrenada con el conjunto de datos de ImageNet o Places365. La sintaxis googlenet('Weights','imagenet') (predeterminada) es equivalente a googlenet.

La red entrenada con ImageNet requiere el paquete de soporte Deep Learning Toolbox Model for GoogLeNet Network. La red entrenada con Places365 requiere el paquete de soporte Deep Learning Toolbox Model for Places365-GoogLeNet Network. Si no ha instalado el paquete de soporte requerido, la función proporciona un enlace de descarga.

lgraph = googlenet('Weights','none') devuelve la arquitectura de red GoogLeNet sin entrenar. El modelo sin entrenar no requiere ningún paquete de soporte.

Ejemplos

Descargar el paquete de soporte de GoogLeNet

Descargue e instale el paquete de soporte Deep Learning Toolbox Model for GoogLeNet Network.

Escriba googlenet en la línea de comandos.

googlenet

Si el paquete de soporte Deep Learning Toolbox Model for GoogLeNet Network no está instalado, la función proporciona un enlace al paquete de soporte correspondiente en Add-On Explorer. Para instalar el paquete de soporte, haga clic en el enlace y después en Install. Para comprobar que la instalación se ha realizado correctamente, escriba googlenet en la línea de comandos. Si el paquete de soporte requerido está instalado, la función devuelve un objeto DAGNetwork.

googlenet

ans = 

  DAGNetwork with properties:

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

Visualice la red con Deep Network Designer.

deepNetworkDesigner(googlenet)

Para examinar otras redes neuronales preentrenadas en Deep Network Designer, haga clic en New.

Si necesita descargar una red neuronal, deténgase en la red neuronal deseada y haga clic en Install para abrir Add-On Explorer.

Argumentos de entrada

weights — Origen de los parámetros de la red

'imagenet' (predeterminado) | 'places365' | 'none'

Origen de los parámetros de la red, especificado como 'imagenet', 'places365' o 'none'.

• Si weights es igual a 'imagenet', la red tiene pesos entrenados con el conjunto de datos de ImageNet.

• Si weights es igual a 'places365', la red tiene pesos entrenados con el conjunto de datos de Places365.

• Si weights es igual a 'none', devuelve la arquitectura de red sin entrenar.

Ejemplo: 'places365'

Argumentos de salida

net — Red neuronal convolucional GoogLeNet preentrenada

objeto DAGNetwork

Red neuronal convolucional GoogLeNet preentrenada, devuelta como un objeto DAGNetwork.

lgraph — Arquitectura de la red neuronal convolucional GoogLeNet sin entrenar

objeto LayerGraph

Arquitectura de la red neuronal convolucional GoogLeNet sin entrenar, devuelta como un objeto LayerGraph.

Referencias

[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 Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 1-9. 2015.

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

Capacidades ampliadas

Generación de código C/C++

Genere código C y C++ mediante MATLAB® Coder™.

Para generar código, puede cargar la red mediante la sintaxis net = googlenet o pasando la función googlenet a coder.loadDeepLearningNetwork (MATLAB Coder). Por ejemplo, net = coder.loadDeepLearningNetwork('googlenet').

Para obtener más información, consulte Load Pretrained Networks for Code Generation (MATLAB Coder).

La sintaxis googlenet('Weights','none') no es compatible con la generación de código.

Generación de código de GPU

Genere código CUDA® para GPU NVIDIA® mediante GPU Coder™.

Notas y limitaciones de uso:

• Para generar código, puede cargar la red mediante la sintaxis net = googlenet o pasando la función googlenet a coder.loadDeepLearningNetwork (GPU Coder). Por ejemplo, net = coder.loadDeepLearningNetwork('googlenet').

  Para obtener más información, consulte Load Pretrained Networks for Code Generation (GPU Coder).

• La sintaxis googlenet('Weights','none') no es compatible con la generación de código GPU.

Historial de versiones

Introducido en R2017b

R2024a: No recomendado

No se recomienda el uso de googlenet. Utilice la función imagePretrainedNetwork en su lugar y especifique "googlenet" como modelo.

No está previsto eliminar el soporte para la función googlenet. Sin embargo, la función imagePretrainedNetwork tiene una funcionalidad adicional que ayuda con los flujos de trabajo de transferencia del aprendizaje. Por ejemplo, puede especificar el número de clases de sus datos usando la opción numClasses, y la función devuelve una red que está lista para hacer un nuevo entrenamiento sin necesidad de modificaciones.

Esta tabla muestra algunos usos habituales de la función googlenet y cómo actualizar el código para usar la función imagePretrainedNetwork en su lugar.

No recomendado	Recomendado
net = googlenet;	net = imagePretrainedNetwork("googlenet");
net = googlenet(Weights="places365");	net = imagePretrainedNetwork("googlenet-places365")
net = googlenet(Weights="none");	net = imagePretrainedNetwork("googlenet",Weights="none");

La función imagePretrainedNetwork devuelve un objeto dlnetwork, que también tiene estas ventajas:

• Los objetos dlnetwork son un tipo de datos unificado que admite la creación de redes, la predicción, el entrenamiento integrado, la visualización, la compresión, la verificación y los bucles de entrenamiento personalizados.

• Los objetos dlnetwork admiten una gama más amplia de arquitecturas de red que puede crear o importar desde plataformas externas.

• La función trainnet admite objetos dlnetwork, lo que le permite especificar fácilmente funciones de pérdida. Puede seleccionar entre funciones de pérdida integradas o especificar una función de pérdida personalizada.

• Entrenar y predecir con los objetos dlnetwork suele ser más rápido que los flujos de trabajo LayerGraph y trainNetwork.

Para entrenar una red neuronal especificada como un objeto dlnetwork, utilice la función trainnet.

Consulte también

imagePretrainedNetwork | dlnetwork | trainingOptions | trainnet | Deep Network Designer

Temas

• Preparar una red para la transferencia del aprendizaje mediante Deep Network Designer
• Clasificar una imagen con GoogLeNet
• Retrain Neural Network to Classify New Images
• Deep learning en MATLAB
• Redes neuronales profundas preentrenadas
• Entrenar una red residual para clasificar imágenes