La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

squeezenet

(Déconseillé) Réseau de neurones à convolution SqueezeNet

• 

L’utilisation de squeezenet est déconseillée. Utilisez la fonction imagePretrainedNetwork à la place. Pour plus d’informations, veuillez consulter Historique des versions.

Syntaxe

net = squeezenet

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

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

Description

SqueezeNet est un réseau de neurones à convolution d’une profondeur de 18 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. Cette fonction renvoie un réseau SqueezeNet v1.1, dont la précision est similaire à celle de SqueezeNet v1.0, mais qui nécessite moins d'opérations en virgule flottante par prédiction [3]. Le réseau a une taille d’image en entrée de 227 par 227. Pour plus de réseaux pré-entraînés dans MATLAB^®, veuillez consulter Pretrained Deep Neural Networks.

net = squeezenet renvoie un réseau SqueezeNet entraîné sur le jeu de données ImageNet.

net = squeezenet('Weights','imagenet') renvoie un réseau SqueezeNet entraîné sur le jeu de données ImageNet. Cette syntaxe est équivalente à net = squeezenet.

lgraph = squeezenet('Weights','none') renvoie l’architecture du réseau SqueezeNet non entraîné.

Exemples

Charger un réseau SqueezeNet

Chargez un réseau SqueezeNet préentraîné.

net = squeezenet

net = 

  DAGNetwork with properties:

         Layers: [68×1 nnet.cnn.layer.Layer]
    Connections: [75×2 table]

Cette fonction renvoie un objet DAGNetwork.

SqueezeNet est inclus dans Deep Learning Toolbox™. Pour charger d'autres réseaux, utilisez des fonctions telles que googlenet pour obtenir des liens permettant de télécharger des réseaux préentraînés à partir du navigateur Add-On Explorer.

Arguments de sortie

net — Réseau de neurones à convolution SqueezeNet préentraîné

objet DAGNetwork

Réseau de neurones à convolution SqueezeNet préentraîné, renvoyé sous la forme d'un objet DAGNetwork.

lgraph — Architecture du réseau de neurones à convolution SqueezeNet préentraîné

objet LayerGraph

Architecture du réseau de neurones à convolution SqueezeNet non entraîné, renvoyée sous la forme d'un objet LayerGraph.

Références

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

[2] Iandola, Forrest N., Song Han, Matthew W. Moskewicz, Khalid Ashraf, William J. Dally, and Kurt Keutzer. “SqueezeNet: AlexNet-Level Accuracy with 50x Fewer Parameters and <0.5MB Model Size.” Preprint, submitted November 4, 2016. https://arxiv.org/abs/1602.07360.

[3] Iandola, Forrest N. "SqueezeNet." https://github.com/forresti/SqueezeNet.

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 passant la fonction squeezenet à coder.loadDeepLearningNetwork (MATLAB Coder). Par exemple : net = coder.loadDeepLearningNetwork('squeezenet').

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

La syntaxe squeezenet('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 = squeezenet ou en passant la fonction squeezenet à coder.loadDeepLearningNetwork (GPU Coder). Par exemple : net = coder.loadDeepLearningNetwork('squeezenet').

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

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

Historique des versions

Introduit dans R2018a

R2024a: Déconseillé

L’utilisation de squeezenet est déconseillée. Utilisez la fonction imagePretrainedNetwork à la place.

Il n’est pas prévu de supprimer le support de la fonction squeezenet. 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 squeezenet et comment mettre à jour votre code pour qu’il utilise la fonction imagePretrainedNetwork à la place.

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

• 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