本文共 2048 字，大约阅读时间需要 6 分钟。

MATLAB 中的 classify 函数是一个强大的分类工具，专为处理图像、序列或特征数据设计，基于已训练好的深度神经网络进行分类预测。尽管该函数已不再是 MATLAB 的推荐使用方式（从 R2024a 起），但它仍然在旧版模型和某些项目中得到广泛应用，尤其是在通过 SeriesNetwork 或 DAGNetwork 对象进行快速推理时。

一、classify 函数的主要用途

classify(net, data) 函数返回分类结果和概率得分，具体形式如下：

[Y, scores] = classify(net, data)

参数说明：

• net：需要传入一个已训练好的网络对象（支持 SeriesNetwork 或 DAGNetwork）。
• data：输入数据可以是图像（如 imageDatastore）、序列或特征数组。
• Y：分类结果，具体形式取决于输入数据类型：
  • 图像或特征分类：返回一个 N×1 的分类向量（N 为样本数）。
  • 序列分类：返回一个元胞数组。
• scores：对应每一类的概率得分，具体形式也是基于输入数据类型：
  • 图像或特征分类：返回一个 N×K 的矩阵（N 为样本数，K 为类别数）。
  • 序列分类：返回一个元胞数组（每个元素为 T×K）。

二、推荐的替代方案（从 R2024a 起）

为了更好地支持多种网络结构和提供更高的灵活性，MATLAB 推荐使用以下替代方案：

scores = minibatchpredict(net, data);Y = scores2label(scores, classNames);

这种方法适用于 dlnetwork 对象，支持更多网络架构和自定义功能。

三、典型使用示例

1. 图像分类（使用预训练网络）

net = squeezenet;img = imread('peppers.png');img = imresize(img, net.Layers(1).InputSize(1:2));[Y, scores] = classify(net, img);

2. 批量图像分类

imds = imageDatastore('images', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');[Y, scores] = classify(net, imds);

3. 获取分类得分（softmax 概率）

[Y, scores] = classify(net, img);bar(scores);

4. 序列分类

Y = classify(net, sequenceData);

四、输入类型支持

classify 函数支持以下数据类型：

• 图像数据：numeric array、imageDatastore、augmentedImageDatastore。
• 序列数据：cell array 或 numeric array（适用于 LSTM/GRU）。
• 特征数据：table 或 numeric array。
• 多输入网络：X1, X2, ..., XN 或 CombinedDatastore。

五、常用参数（Name-Value）

classify 函数还支持以下参数：

• MiniBatchSize：每次推理处理的样本数（默认 128）。
• ExecutionEnvironment：指定推理环境（"auto"、"gpu"、"cpu" 等）。
• SequenceLength：用于序列分类的填充方式（"longest"、"shortest" 或定长）。
• SequencePaddingValue：用于序列填充的默认值（如 0）。
• SequencePaddingDirection：填充方向（"left" 或 "right"）。

六、输出解释

• Y：分类结果。
  • 图像/特征分类：返回一个 N×1 的分类向量。
  • 序列分类：返回一个元胞数组。
• scores：每一类的概率得分。
  • 图像/特征分类：返回一个 N×K 的矩阵。
  • 序列分类：返回一个元胞数组（每个元素为 T×K）。

七、classify 函数的优势（dlnetwork）

• 更灵活的训练和推理：支持动态图和多输出网络。
• 与 trainnet 配合更高效。
• 示例：

scores = minibatchpredict(dlnet, XTest);Y = scores2label(scores, classNames);

八、总结

如已有 trainNetwork 训练的模型，可以通过 dag2dlnetwork 进行转换：

dlnet = dag2dlnetwork(net);