本文主要是介绍MatConvnet工具箱文档翻译理解（4），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
第3章 包装器和预训练模型
这是很容易的组合第4章“手动”的计算块，但通常通过一个包装器来使用它们可以实现CNN架构给定一个模型规范通常更方便，可用的包装器总结在3.1节。
MatConvNet还附带了许多用于图像分类的预训练模型（其中大多数
在ImageNet ILSVRC挑战上训练），图像分割，文本点样和面部识别。 这些使用非常简单，如3.2节所示。
3.1包装
MatConvNet提供了两个包装器：用于基本链块链（3.1.1节）的SimpleNN和用于更复杂的直接非循环图（参见3.1.2节）的块的DagNN。
3.1.1 SimpleNN
SimpleNN包装器适用于由计算块的线性链组成的网络。 它主要由vl_simplenn函数（对CNN及其派生的评估）以及一些其他支持函数（例如vl_simplenn_move（移动CPU和GPU之间的CNN）和vl_simplenn_display（获得和/或打印关于CNN的信息）实现）。
vl_simplenn接收表示CNN的结构网络作为输入，以及输入x和潜在输出导数dzdy，这取决于操作模式。 有关输入和输出格式的详细信息，请参阅vl_simplenn函数的内联帮助。 实际上，vl_simplenn的实现是如何可以一起使用基本神经网络构建块的良好示例，并且可以作为更复杂实现的基础。
3.1.2 DagNN
DagNN包装器比SimpleNN更复杂，因为它必须支持任意图形拓扑。 它的设计是面向对象的，有一个类实现每个层类型。 虽然这增加了复杂性，并且使得微小的CNN架构（例如MNIST）的包装器稍微更慢，但是实际上它更加灵活和更容易扩展。
DagNN由dagnn.DagNN类（在dagnn命名空间下）实现。
3.2 Pre-trained models
vl_simplenn易于使用预训练模型（见主页下载一些）。
例如，以下代码下载在ImageNet数据上预先训练的模型，并将其应用于MATLAB库存图像之一：
% setup MatConvNet in MATLAB
run matlab/vl_setupnn
% download a pretrained CNN from the web
urlwrite(...
'http://www.vlfeat.org/matconvnet/models/imagenet-vgg-f.mat', ...
'imagenet-vgg-f.mat');
net = load('imagenet-vgg-f.mat') ;
% obtain and preprocess an image
im = imread('peppers.png') ;
im_ = single(im) ; % note: 255 range
im_ = imresize(im_, net.meta.normalization.imageSize(1:2)) ;
im_ = im_-net.meta.normalization.averageImage ;- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
请注意，在运行网络之前应对图像进行预处理。 虽然预处理规范取决于模型，但预训练模型包含描述预期预处理类型的网络规范化场。 特别要注意的是，该网络将固定大小的图像作为输入，并且需要去除平均值; 此外，图像强度在[0,255]的范围内归一化。
下一步是运行CNN。 这将返回一个res结构的输出网络层：
%run the CNN
res = vl_simplenn(net, im_) ;- 1
- 2
最后一层的输出可用于分类图像。 为了方便起见，类名称包含在网络结构中：
% show the classification result
scores = squeeze(gather(res(end).x)) ;
[bestScore, best] = max(scores) ;
figure(1) ; clf ; imagesc(im) ;
title(sprintf('%s (%d), score %.3f',···net.meta.classes.description{best}, best, bestScore)) ;
- 1
- 2
- 3
- 4
- 5
- 6
注意，几个扩展是可能的。 首先，图像可以裁剪而不是重新定标。 第二，多种裁剪可以喂给网络和结果平均，通常为改进的结果。 第三，网络的输出可以用作图像编码的通用特征。
3.3学习模型
由于MatConvNet可以使用反向传播计算CNN的导数，因此使用它实现学习算法很简单。 因此，随机梯度下降的基本实现是简单的。
示例代码在examples / cnn_train中提供。这个代码是足够的，以允许在NMINST，CIFAR，ImageNet和其他许多数据集上训练。相应的示例在examples /目录中提供。
3.4运行大规模实验
对于大规模实验，例如为ImageNet学习网络，强烈建议使用NVIDIA GPU（至少6GB内存）和足够的CPU和磁盘速度。 例如，要在ImageNet上训练，我们建议如下：
1.下载ImageNet数据http://www.imagenet.org/challenges/LSVRC。 安装它在某个地方，并从数据/ imagenet12链接到它
2.考虑预处理数据以将所有图像转换为高度为256像素。这可以通过提供的utils / preprocess-imagenet.sh脚本来完成。 在这里方式，训练不必每次都调整图像的大小。 不要忘记指向将训练代码转换为预处理数据。
3.考虑将数据集复制到RAM磁盘（前提是您有足够的内存），以便更快地访问。 不要忘记将训练代码指向此副本。
4.编译MatConvNet与GPU支持。 有关说明，请参阅主页。
一旦你的设置准备好了，你应该能够运行examples /cnn_imagenet（编辑并根据需要更改任何标志以启用GPU支持和多个映像预取线程）。如果一切顺利，你应该期望能够训练与200-300图像/秒。
这篇关于MatConvnet工具箱文档翻译理解（4）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
