La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

vgg19

Red neuronal convolucional VGG-19

• 

×

Sintaxis

net = vgg19

net = vgg19('Weights','imagenet')

layers = vgg19('Weights','none')

Descripción

VGG-19 es una red neuronal convolucional con 19 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 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 224 por 224. Para ver más redes preentrenadas en MATLAB^®, consulte Redes neuronales profundas preentrenadas.

Puede utilizar classify para clasificar nuevas imágenes mediante la red VGG-19. Siga los pasos que se muestran en Clasificar una imagen con GoogLeNet y reemplace GoogLeNet por VGG-19.

Para volver a entrenar la red en una nueva tarea de clasificación, siga los pasos indicados en Entrenar redes de deep learning para clasificar nuevas imágenes y cargue VGG-19 en lugar de GoogLeNet.

net = vgg19 devuelve una red VGG-19 entrenada con el conjunto de datos de ImageNet.

Esta función requiere el paquete de soporte Deep Learning Toolbox™ Model for VGG-19 Network. Si no ha instalado el paquete de soporte, la función proporciona un enlace de descarga.

net = vgg19('Weights','imagenet') devuelve una red VGG-19 entrenada con el conjunto de datos de ImageNet. Esta sintaxis es equivalente a net = vgg19.

layers = vgg19('Weights','none') devuelve la arquitectura de red VGG-19 sin entrenar. El modelo sin entrenar no requiere ningún paquete de soporte.

Ejemplos

Descargar el paquete de soporte VGG-19

Este ejemplo muestra cómo descargar e instalar el paquete de soporte Deep Learning Toolbox Model for VGG-19 Network.

Escriba vgg19 en la línea de comandos.

vgg19

Si el paquete de soporte Deep Learning Toolbox Model for VGG-19 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 vgg19 en la línea de comandos.

vgg19

ans = 

  SeriesNetwork with properties:

    Layers: [47×1 nnet.cnn.layer.Layer]

Visualice la red con Deep Network Designer.

deepNetworkDesigner(vgg19)

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

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

Cargar una red neuronal convolucional VGG-19 preentrenada

Cargue una red neuronal convolucional VGG-19 preentrenada y examine las capas y clases.

Use vgg19 para cargar una red VGG-19 preentrenada. La salida net es un objeto SeriesNetwork.

net = vgg19

net = 
  SeriesNetwork with properties:

    Layers: [47×1 nnet.cnn.layer.Layer]

Visualice la arquitectura de red con la propiedad Layers. La red consta de 47 capas. Hay 19 capas con pesos que pueden aprenderse: 16 capas convolucionales y tres capas totalmente conectadas.

net.Layers

ans = 
  47x1 Layer array with layers:

     1   'input'     Image Input             224x224x3 images with 'zerocenter' normalization
     2   'conv1_1'   Convolution             64 3x3x3 convolutions with stride [1  1] and padding [1  1  1  1]
     3   'relu1_1'   ReLU                    ReLU
     4   'conv1_2'   Convolution             64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]
     5   'relu1_2'   ReLU                    ReLU
     6   'pool1'     Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0  0  0]
     7   'conv2_1'   Convolution             128 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]
     8   'relu2_1'   ReLU                    ReLU
     9   'conv2_2'   Convolution             128 3x3x128 convolutions with stride [1  1] and padding [1  1  1  1]
    10   'relu2_2'   ReLU                    ReLU
    11   'pool2'     Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0  0  0]
    12   'conv3_1'   Convolution             256 3x3x128 convolutions with stride [1  1] and padding [1  1  1  1]
    13   'relu3_1'   ReLU                    ReLU
    14   'conv3_2'   Convolution             256 3x3x256 convolutions with stride [1  1] and padding [1  1  1  1]
    15   'relu3_2'   ReLU                    ReLU
    16   'conv3_3'   Convolution             256 3x3x256 convolutions with stride [1  1] and padding [1  1  1  1]
    17   'relu3_3'   ReLU                    ReLU
    18   'conv3_4'   Convolution             256 3x3x256 convolutions with stride [1  1] and padding [1  1  1  1]
    19   'relu3_4'   ReLU                    ReLU
    20   'pool3'     Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0  0  0]
    21   'conv4_1'   Convolution             512 3x3x256 convolutions with stride [1  1] and padding [1  1  1  1]
    22   'relu4_1'   ReLU                    ReLU
    23   'conv4_2'   Convolution             512 3x3x512 convolutions with stride [1  1] and padding [1  1  1  1]
    24   'relu4_2'   ReLU                    ReLU
    25   'conv4_3'   Convolution             512 3x3x512 convolutions with stride [1  1] and padding [1  1  1  1]
    26   'relu4_3'   ReLU                    ReLU
    27   'conv4_4'   Convolution             512 3x3x512 convolutions with stride [1  1] and padding [1  1  1  1]
    28   'relu4_4'   ReLU                    ReLU
    29   'pool4'     Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0  0  0]
    30   'conv5_1'   Convolution             512 3x3x512 convolutions with stride [1  1] and padding [1  1  1  1]
    31   'relu5_1'   ReLU                    ReLU
    32   'conv5_2'   Convolution             512 3x3x512 convolutions with stride [1  1] and padding [1  1  1  1]
    33   'relu5_2'   ReLU                    ReLU
    34   'conv5_3'   Convolution             512 3x3x512 convolutions with stride [1  1] and padding [1  1  1  1]
    35   'relu5_3'   ReLU                    ReLU
    36   'conv5_4'   Convolution             512 3x3x512 convolutions with stride [1  1] and padding [1  1  1  1]
    37   'relu5_4'   ReLU                    ReLU
    38   'pool5'     Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0  0  0]
    39   'fc6'       Fully Connected         4096 fully connected layer
    40   'relu6'     ReLU                    ReLU
    41   'drop6'     Dropout                 50% dropout
    42   'fc7'       Fully Connected         4096 fully connected layer
    43   'relu7'     ReLU                    ReLU
    44   'drop7'     Dropout                 50% dropout
    45   'fc8'       Fully Connected         1000 fully connected layer
    46   'prob'      Softmax                 softmax
    47   'output'    Classification Output   crossentropyex with 'tench' and 999 other classes

Para ver los nombres de las clases que la red ha aprendido, visualice la propiedad Classes de la capa de clasificación de salida (la última capa). Para visualizar las 10 primeras clases, especifique los primeros 10 elementos.

net.Layers(end).Classes(1:10)

ans = 10×1 categorical array
     tench 
     goldfish 
     great white shark 
     tiger shark 
     hammerhead 
     electric ray 
     stingray 
     cock 
     hen 
     ostrich 

Argumentos de salida

net — Red neuronal convolucional VGG-19 preentrenada

objeto SeriesNetwork

Red neuronal convolucional VGG-19 preentrenada, devuelta como un objeto SeriesNetwork.

layers — Arquitectura de red neuronal convolucional VGG-19 sin entrenar

arreglo Layer

Arquitectura de red neuronal convolucional VGG-19 sin entrenar, devuelta como un arreglo Layer.

Referencias

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

[2] Russakovsky, O., Deng, J., Su, H., et al. “ImageNet Large Scale Visual Recognition Challenge.” International Journal of Computer Vision (IJCV). Vol 115, Issue 3, 2015, pp. 211–252

[3] Simonyan, Karen, and Andrew Zisserman. "Very deep convolutional networks for large-scale image recognition." arXiv preprint arXiv:1409.1556 (2014).

[4] Very Deep Convolutional Networks for Large-Scale Visual Recognition http://www.robots.ox.ac.uk/~vgg/research/very_deep/

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 = vgg19 o pasando la función vgg19 a coder.loadDeepLearningNetwork (MATLAB Coder). Por ejemplo, net = coder.loadDeepLearningNetwork('vgg19').

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

La sintaxis vgg19('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 = vgg19 o pasando la función vgg19 a coder.loadDeepLearningNetwork (GPU Coder). Por ejemplo, net = coder.loadDeepLearningNetwork('vgg19').

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

• La sintaxis vgg19('Weights','none') no es compatible con la generación de código GPU.

Historial de versiones

Introducido en R2017a

Consulte también

Deep Network Designer | alexnet | vgg16 | googlenet | resnet18 | resnet50 | resnet101 | deepDreamImage | inceptionresnetv2 | squeezenet | densenet201

Temas

• Transferencia del aprendizaje con Deep Network Designer
• Deep Learning in MATLAB
• Redes neuronales profundas preentrenadas
• Clasificar una imagen con GoogLeNet
• Transferencia del aprendizaje mediante una red preentrenada
• Visualize Activations of a Convolutional Neural Network

×

Abrir ejemplo

Tiene una versión modificada de este ejemplo. ¿Desea abrir este ejemplo con sus modificaciones?

No, sobrescribir la versión modificada Sí