共计 1728 个字符，预计需要花费 5 分钟才能阅读完成。
背景介绍
AlexNet 是深度学习发展史上的里程碑模型，2012 年以显著优势赢得 ImageNet 竞赛，开创了卷积神经网络（CNN）在计算机视觉领域的统治地位。MATLAB 提供的 Deep Learning Toolbox Model for AlexNet Network 支持包，让我们能直接调用这个经典模型，省去从零训练的时间成本，特别适合快速验证图像分类任务的可行性。
环境准备
支持包安装步骤
- 打开 MATLAB，点击顶部菜单栏的 ” 主页 ” 选项卡
- 在右侧找到并点击 ” 附加功能 ” 按钮（图标为 +∞）
- 在搜索框中输入 ”AlexNet”，选择 ”Deep Learning Toolbox Model for AlexNet Network”
- 点击安装按钮，等待下载完成（约 230MB）
如果网络环境特殊，也可以手动下载支持包：
- 访问 MathWorks 官网的 ”File Exchange” 板块
- 搜索 ”AlexNet” 找到对应支持包
- 下载.mltbx 文件后双击安装
核心对比
两种加载方式对比
| 参数设置 | 内存占用 | 计算速度 | 适用场景 |
|---|---|---|---|
| alexnet() | 较高 | 较快 | 直接使用预训练特征 |
| alexnet(‘weights’,’none’) | 很低 | 慢 | 自定义网络结构训练起点 |
预训练版本会加载在 ImageNet 上训练好的权重，适合迁移学习（Transfer Learning）；而空权重版本适合作为网络架构模板，需要从头开始训练。
实战演示
完整图像分类示例
% 加载预训练模型（两种方式任选）net = alexnet; % 方式一：使用预训练权重
% net = alexnet('weights','none'); % 方式二：空权重
% 输入数据预处理
img = imread('peppers.png');
inputSize = net.Layers(1).InputSize; % 获取模型要求的输入尺寸
imgResized = imresize(img, [inputSize(1), inputSize(2)]); % 调整尺寸
imgProcessed = double(imgResized) - net.meanImage; % 减去均值（重要！）% 执行推理
[label, scores] = classify(net, imgProcessed);
% 结果可视化
figure
imshow(img)
title(['预测结果:' char(label)]);关键点说明：
net.meanImage是 MATLAB 内置的均值处理参数，不同预训练模型值不同- 输入图像必须处理为 227×227×3 的 RGB 格式
- classify 函数会自动进行 softmax 处理得到概率分布
避坑指南
-
CUDA 驱动问题
报错：”Expected CUDA compatible device”
解决：更新 NVIDIA 驱动至最新版，或改用 CPU 模式：net = alexnet('ExecutionEnvironment','cpu'); -
图像尺寸不符
报错：”Input size must match net input size”
解决：必须严格调整为 227×227 像素，建议使用 imresize 函数 -
颜色通道错误
现象：灰度图分类准确率异常
解决：灰度图需通过 cat 函数扩展为伪 RGB：imgRGB = cat(3, imgGray, imgGray, imgGray);
扩展思考
该方法可推广到其他经典模型：
-
VGG 系列
替换为vgg16()或vgg19()，注意输入尺寸变为 224×224 -
ResNet 系列
使用resnet50()等函数，需要额外安装对应的支持包 -
自定义改造
通过layerGraph函数可以截取 AlexNet 的前几层作为特征提取器
动手实践建议
- 尝试用
augmentedImageDatastore实现批量图像预处理 - 对比不同插值方法对分类效果的影响（imresize 的 ’method’ 参数）
- 可视化第一个卷积层的滤波器权重：
weights = net.Layers(2).Weights; montage(rescale(weights(:,:,:,1:16)))
通过本文的实践，你已掌握预训练模型的核心使用方法。接下来可以尝试：
– 用迁移学习微调（Fine-tune）最后几层
– 将 AlexNet 作为特征提取器接入其他机器学习模型
– 探索 MATLAB 支持的更多深度学习应用（如目标检测、语义分割等）
