inceptionv3

(Déconseillé) Réseau de neurones à convolution Inception-v3

• 

L’utilisation de inceptionv3 est déconseillée. Utilisez la fonction imagePretrainedNetwork à la place et spécifiez le modèle "inceptionv3". Pour plus d’informations, veuillez consulter Historique des versions.

Syntaxe

net = inceptionv3

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

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

Description

Inception-v3 est un réseau de neurones à convolution d’une profondeur de 48 couches. Vous pouvez charger une version préentraînée du réseau entraîné sur plus d’un million d’images dans la base de données ImageNet [1]. Le réseau entraîné peut classer des images dans 1 000 catégories d’objets, par exemple un clavier, une souris, un crayon et de nombreux animaux. En conséquence, le réseau a appris des représentations avec de nombreuses caractéristiques pour une grande variété d’images. Le réseau a une taille d’image en entrée de 299 par 299. Pour plus de réseaux pré-entraînés dans MATLAB^®, veuillez consulter Pretrained Deep Neural Networks.

net = inceptionv3 renvoie un réseau Inception-v3 entraîné sur la base de données ImageNet.

Cette fonction nécessite le support package Deep Learning Toolbox™ Model for Inception-v3 Network. Si ce support package n’est pas installé, la fonction propose un lien de téléchargement.

net = inceptionv3('Weights','imagenet') renvoie un réseau Inception-v3 entraîné sur la base de données ImageNet. Cette syntaxe est équivalente à net = inceptionv3.

lgraph = inceptionv3('Weights','none') renvoie l’architecture du réseau Inception-v3 non entraîné. Le modèle non entraîné ne nécessite pas de support package.

Exemples

Télécharger le support package Inception-v3

Téléchargez et installez le support package Deep Learning Toolbox Model for Inception-v3 Network.

Saisissez inceptionv3 en ligne de commande.

inceptionv3

Si le support package Deep Learning Toolbox Model for Inception-v3 Network n’est pas installé, la fonction propose un lien vers le support package nécessaire dans l’Add-On Explorer. Pour installer le support package, cliquez sur le lien, puis cliquez sur Install. Vérifiez que l’installation est réussie en saisissant inceptionv3 en ligne de commande. Si le support package requis est installé, la fonction renvoie un objet DAGNetwork.

inceptionv3

ans = 

  DAGNetwork with properties:

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

Visualisez le réseau avec Deep Network Designer.

deepNetworkDesigner(inceptionv3)

Découvrez d’autres réseaux de neurones préentraînés dans Deep Network Designer en cliquant sur New.

Si vous devez télécharger un réseau de neurones, arrêtez-vous sur le réseau souhaité et cliquez sur Install pour ouvrir l’Add-On Explorer.

Arguments de sortie

net — Réseau de neurones à convolution Inception-v3 préentraîné

objet DAGNetwork

Réseau de neurones à convolution Inception-v3 préentraîné, renvoyé comme un objet DAGNetwork.

lgraph — Architecture du réseau de neurones à convolution Inception-v3 non entraîné

objet LayerGraph

Architecture du réseau de neurones à convolution Inception-v3 non entraîné, renvoyée en tant qu'un objet LayerGraph.

Références

[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/

Capacités étendues

Génération de code C/C++

Générez du code C et C++ avec MATLAB® Coder™.

Pour la génération de code, vous pouvez charger le réseau en utilisant la syntaxe net = inceptionv3 ou en passant la fonction inceptionv3 à coder.loadDeepLearningNetwork (MATLAB Coder). Par exemple : net = coder.loadDeepLearningNetwork('inceptionv3')

Pour plus d’informations, veuillez consulter Load Pretrained Networks for Code Generation (MATLAB Coder).

La syntaxe inceptionv3('Weights','none') n’est pas supportée pour la génération de code.

Génération de code GPU

Générez du code CUDA® pour les GPU NVIDIA® avec GPU Coder™.

Notes d'usage et limitations :

• Pour la génération de code, vous pouvez charger le réseau en utilisant la syntaxe net = inceptionv3 ou en passant la fonction inceptionv3 à coder.loadDeepLearningNetwork (GPU Coder). Par exemple : net = coder.loadDeepLearningNetwork('inceptionv3').

  Pour plus d’informations, veuillez consulter Load Pretrained Networks for Code Generation (GPU Coder).

• La syntaxe inceptionv3('Weights','none') n’est pas supportée pour la génération de code GPU.

Historique des versions

Introduit dans R2017b

R2024a: Déconseillé

L’utilisation de inceptionv3 est déconseillée. Utilisez la fonction imagePretrainedNetwork à la place et spécifiez "inceptionv3" comme modèle.

Il n’est pas prévu de supprimer le support de la fonction inceptionv3. Cependant, la fonction imagePretrainedNetwork propose des fonctionnalités supplémentaires qui facilitent les workflows d’apprentissage par transfert. Par exemple, vous pouvez spécifier le nombre de classes de vos données avec l’option numClasses. La fonction renvoie un réseau prêt pour un nouvel apprentissage sans nécessiter de modification.

La fonction imagePretrainedNetwork renvoie le réseau comme un objet dlnetwork qui ne stocke pas les noms de classes. Pour obtenir les noms de classes du réseau préentraîné, utilisez le deuxième argument de sortie de la fonction imagePretrainedNetwork.

Le tableau suivant indique quelques utilisations courantes de la fonction inceptionv3 et comment mettre à jour votre code pour qu’il utilise la fonction imagePretrainedNetwork à la place.

Déconseillé	Recommandé
net = inceptionv3;	[net,classNames] = imagePretrainedNetwork("inceptionv3");
net = inceptionv3(Weights="none");	net = imagePretrainedNetwork("inceptionv3",Weights="none");

imagePretrainedNetwork renvoie un objet dlnetwork, ce qui présente également les avantages suivants :

• Un objet dlnetwork est un type de données unifié qui supporte la création de réseau, la prédiction, l’apprentissage prédéfini, la visualisation, la compression, la vérification et les boucles d’apprentissage personnalisées.

• Les objets dlnetwork supportent un plus large éventail d’architectures de réseau que vous pouvez créer ou importer à partir de plateformes externes.

• La fonction trainnet supporte les objets dlnetwork, ce qui vous permet de spécifier facilement des fonctions de perte. Vous pouvez sélectionner une fonction de perte prédéfinie ou spécifier une fonction de perte personnalisée.

• L’apprentissage et la prédiction avec des objets dlnetwork sont généralement plus rapides que les workflows LayerGraph et trainNetwork.

Pour entraîner un réseau de neurones spécifié comme un objet dlnetwork, utilisez la fonction trainnet.

Voir aussi

imagePretrainedNetwork | dlnetwork | trainingOptions | trainnet | Deep Network Designer

Rubriques

• Préparer un réseau pour l’apprentissage par transfert au moyen de Deep Network Designer
• Deep Learning in MATLAB
• Pretrained Deep Neural Networks
• Classer une image avec GoogLeNet
• Retrain Neural Network to Classify New Images
• Train Residual Network for Image Classification