inceptionv3

(No recomendado) Red neuronal convolucional Inception-v3

• 

No se recomienda el uso de inceptionv3. Utilice la función imagePretrainedNetwork en su lugar y especifique el modelo "inceptionv3". Para obtener más información, consulte Historial de versiones.

Sintaxis

net = inceptionv3

net = inceptionv3('Weights','imagenet')

lgraph = inceptionv3('Weights','none')

Descripción

Inception-v3 es una red neuronal convolucional con 48 capas de profundidad. Puede cargar una versión preentrenada de la red entrenada en más de un millón de imágenes desde la base de datos [1] de ImageNet. La red preentrenada puede clasificar imágenes en 1000 categorías de objetos (por ejemplo, teclado, ratón, lápiz y muchos animales). Como resultado, la red ha aprendido representaciones ricas en características para una amplia gama de imágenes. El tamaño de la entrada de imagen de la red es de 299 por 299. Para ver más redes preentrenadas en MATLAB^®, consulte Redes neuronales profundas preentrenadas.

net = inceptionv3 devuelve una red Inception-v3 entrenada con la base de datos de ImageNet.

Esta función requiere el paquete de soporte Deep Learning Toolbox™ Model for Inception-v3 Network. Si no ha instalado el paquete de soporte, la función proporciona un enlace de descarga.

net = inceptionv3('Weights','imagenet') devuelve una red Inception-v3 entrenada con la base de datos de ImageNet. Esta sintaxis es equivalente a net = inceptionv3.

lgraph = inceptionv3('Weights','none') devuelve la arquitectura de red Inception-v3 sin entrenar. El modelo sin entrenar no requiere ningún paquete de soporte.

Ejemplos

Descargar el paquete de soporte de Inception-v3

Descargue e instale el paquete de soporte Deep Learning Toolbox Model for Inception-v3 Network.

Escriba inceptionv3 en la línea de comandos.

inceptionv3

Si el paquete de soporte Deep Learning Toolbox Model for Inception-v3 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 inceptionv3 en la línea de comandos. Si el paquete de soporte requerido está instalado, la función devuelve un objeto DAGNetwork.

inceptionv3

ans = 

  DAGNetwork with properties:

         Layers: [316×1 nnet.cnn.layer.Layer]
    Connections: [350×2 table]

Visualice la red con Deep Network Designer.

deepNetworkDesigner(inceptionv3)

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 salida

net — Red neuronal convolucional Inception-v3 preentrenada

objeto DAGNetwork

Red neuronal convolucional Inception-v3 preentrenada, devuelta como un objeto DAGNetwork.

lgraph — Arquitectura de red neuronal convolucional Inception-v3 sin entrenar

objeto LayerGraph

Arquitectura de red neuronal convolucional Inception-v3 sin entrenar, devuelta como un objeto LayerGraph.

Referencias

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

[2] Szegedy, Christian, Vincent Vanhoucke, Sergey Ioffe, Jon Shlens, and Zbigniew Wojna. “Rethinking the Inception Architecture for Computer Vision.” In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2818–26. Las Vegas, NV, USA: IEEE, 2016. https://doi.org/10.1109/CVPR.2016.308.

[3] https://keras.io/api/applications/inceptionv3/

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 = inceptionv3 o pasando la función inceptionv3 a coder.loadDeepLearningNetwork (MATLAB Coder). Por ejemplo, net = coder.loadDeepLearningNetwork('inceptionv3').

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

La sintaxis inceptionv3('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 = inceptionv3 o pasando la función inceptionv3 a coder.loadDeepLearningNetwork (GPU Coder). Por ejemplo, net = coder.loadDeepLearningNetwork('inceptionv3').

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

• La sintaxis inceptionv3('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 inceptionv3. Utilice la función imagePretrainedNetwork en su lugar y especifique "inceptionv3" como modelo.

No está previsto eliminar el soporte para la función inceptionv3. 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.

La función imagePretrainedNetwork devuelve la red como un objeto dlnetwork, que no almacena los nombres de las clases. Para obtener los nombres de las clases de la red preentrenada, utilice el segundo argumento de salida de la función imagePretrainedNetwork.

Esta tabla muestra algunos usos habituales de la función inceptionv3 y cómo actualizar el código para usar la función imagePretrainedNetwork en su lugar.

No recomendado	Recomendado
net = inceptionv3;	[net,classNames] = imagePretrainedNetwork("inceptionv3");
net = inceptionv3(Weights="none");	net = imagePretrainedNetwork("inceptionv3",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
• Deep learning en MATLAB
• Redes neuronales profundas preentrenadas
• Clasificar una imagen con GoogLeNet
• Volver a entrenar redes neuronales para clasificar nuevas imágenes
• Entrenar una red residual para clasificar imágenes