matlab版深度学习入门之旅----体验过后的个人记录

用 classify 函数和预训练的 AlexNet 网络来预测变量 img1 中存储的图像的主题类别。将网络的预测存储在名为 pred1 的变量中。 pred1 = classify(deepnet,img1)
也可用 [pred, score] = classify(net,img) % 将网络和输入图像传入分类函数，将得到输入图像的类别preds以及它在每一类中的预测分数score

2.2.3 img2和3的分类预测

在脚本中添加命令，对变量 img2 和 img3 中存储的图像的内容进行预测。将预测的类分别存储在名为 pred2 和 pred3 的变量中。

pred2 = classify(deepnet,img2)

pred3 = classify(deepnet,img3)

2.2.4 获取预训练网络

2.3 CNN架构查看网络层

MATLAB将CNN表示为一个层的数组，数组的第一个元素为输入层，最后一个元素为输出层。

2.3.1 查看网络的层

将 deepnet 的 Layers 属性提取到名为 ly 的变量中。

ly = deepnet.Layers % 由下图可以看出Alexnet是一个具有25层的数组

2.3.2 索引查看单个层

将网络的第一层（输入层）提取到名为 inlayer 的变量中。

inlayer = ly(1)

2.3.3 提取某一层的某种属性

提取网络第一层的 InputSize 属性（存储在变量 inlayer 中）。将结果存储在名为 insz 的变量中。
insz = inlayer.InputSize % 输入层的输入图像大小

2.3.4 图像维度

输入图像是彩色图像，尺寸为：227×227×3。灰度图像的尺寸为227×227。

将网络的最后一层（输出层）提取到名为 outlayer 的变量中。

outlayer = ly(end)

2.3.5 提取输出层的类属性

提取网络最后一层的 Classes 属性（存储在变量 outlayer 中）。将结果存储在名为 categorynames 的变量中。
categorynames = outlayer.Classes % 得到一个列向量，表示Alexnet的1000个类的名字

2.4 研究预测

2.4.1 预测分数

使用 classify 函数和预训练的 AlexNet 网络 net 来预测变量 img 中存储的图像的主题类别。将网络的预测存储在名为 pred 的变量中，并将所有预测分数存储在名为 scores 的变量中。上面的分类函数classify只是将输入图像预测为某一类，并不知道输入图像是该类的概率。该任务不仅会得到预测分类，还会得出预测分数。

前期输入：

img = imread('file01.jpg');

imshow(img)

net = alexnet;

categorynames = net.Layers(end).ClassNames;

分数预测：

[pred,scores] = classify(net,img) % 得到的分数是一个行向量，表示1000个类的预测分数

2.4.2 创建预测分类的条形图

创建预测分数的条形图。
bar(scores)%因为有 1000 个预测分数，所创建的条形图会难以阅读。

2.4.3 挑出主要分数

创建一个逻辑数组 highscores，其中的值 1 (true) 对应于 scores 大于 0.01 的情况。

highscores = (scores > 0.01) 或者 highscores = scores > 0.01 % 将scrs数组中大于0.01的元素赋为1，其他为0

2.4.4 显示挑选预测分数后的条形图

使用逻辑索引创建高于阈值 0.01 的预测值的条形图。

bar(scores(highscores)) %scores(highscores)返回大于0.01的类别的预测分数

2.4.5 为x轴增加类别标签

使用逻辑索引和 xticklabels 函数为条形图添加对应的预测类名标签。类名的完整列表存储在变量 categorynames 中。
xticklabels(categorynames(highscores)) % categorynames(highscores) 返回大于0.01的类别的名字