Deep Learning学习 之 CNN代码解析(MATLAB)

本文介绍了如何在MATLAB中使用deepLearnToolbox-master实现CNN,详细解析了CNN的函数调用关系,包括Test_example_CNN、Cnnsetup、cnntrain、cnnff、cnnbp和cnnapplygrads等函数的作用。以MNIST手写数字数据集为例,阐述了数据预处理、网络结构设置、训练过程和误差计算。
摘要由CSDN通过智能技术生成

MATLAB实现CNN一般会用到deepLearnToolbox-master。但是根据Git上面的说明,现在已经停止更新了,而且有很多功能也不太能够支持,具体的请大家自习看一看Git中的README。

deepLearnToolbox-master是一个深度学习matlab包,里面含有很多机器学习算法,如卷积神经网络CNN,深度信念网络DBN,自动编码AutoEncoder(堆栈SAE,卷积CAE)的作者是 Rasmus Berg Palm (rasmusbergpalm@gmail.com)
代码下载:https://github.com/rasmusbergpalm/DeepLearnToolbox

这里写图片描述

这里我们介绍deepLearnToolbox-master中的CNN部分。

函数

这里写图片描述

调用关系为:

这里写图片描述

该模型使用了mnist的数字mnist_uint8.mat作为训练样本,作为CNN的一个使用样例,每个样本特征为一个 28×28=

网络结构为:

这里写图片描述

Test_example_CNN

Test_example_CNN:

  • 1设置CNN的基本参数规格,如卷积、降采样层的数量,卷积核的大小、降采样的降幅
  • 2 cnnsetup函数 初始化卷积核、偏置等
  • 3 cnntrain函数 训练cnn,把训练数据分成batch,然后调用
    • 3.1cnnff 完成训练的前向过程
    • 3.2 cnnbp计算并传递神经网络的error,并计算梯度(权重的修改量)
    • 3.3 cnnapplygrads 把计算出来的梯度加到原始模型上去
  • 4 cnntest 函数,测试当前模型的准确率

该模型采用的数据为mnist_uint8.mat,含有70000个手写数字样本其中60000作为训练样本,10000作为测试样本。
把数据转成相应的格式,并归一化。

load mnist_uint8;
train_x = double(reshape(traub.x',28,28,60000))/255;
test_x = double(reshape(test_x',28,28,10000))/255;
train_y = double(train_y');
test_y = double(test_y');

设置网络结构及训练参数

%% ex1 Train a 6c-2s-12c-2s Convolutional neural network
%% will run 1 epoch in about 200 second and get around 11% error
%% with 100 epochs you' will get around 1.2% error

rand('state',0);
cnn.layers = {
    struct('type','i') %input layer
    struct('type','c','outputmaps',6,'kernelsize',5) % convolution layer
    struct('type','s','scale',2) %sub sampling layer
    struct('type','c','outputmaps',12,'kernelsize',5) % convolutional layer
    struct('type','s','scale',2) % sub sampling layer
%% 训练选项,alpha学习效率(不用),batchsiaze批训练总样本的数量,numepoches迭代次数
opts.alpha = 1;
opts.batchsize = 50;
opts.numepochs = 1;

初始化网络,对数据进行批训练,验证模型准确率。

cnn = cmmsetup(cnn, train_x, train_y);
cnn = cnntrain(cnn, train_x, train_y, opts);
[er, bad] = cnntest(cnn, test_x, test_y);

绘制均方误差曲线

%plot mean squared error
figure; plot(cnn.rL);

Cnnsetup.m

该函数你用于初始化CNN的参数。
设置各层的mapsize大小,
初始化卷积层的卷积核、bias
尾部单层感知机的参数设置

bias统一初始化为0

权重设置为:random(-1,1)/ 6

Matlab是一种常用于科学计算和工程开发的编程语言和环境。针对CNN(卷积神经网络)的代码编写,我们可以使用Matlab深度学习工具箱。 在Matlab中,可以通过以下步骤来编写CNN代码: 1. 数据预处理:首先,我们需要准备训练和测试数据集。在Matlab中,可以使用ImageDatastore函数来导入图像数据,并使用augmentedImageDatastore函数进行数据增强操作,如旋转、缩放、镜像等。 2. 构建网络模型:接下来,我们可以使用Matlab提供的网络设计和训练工具包来构建CNN模型。可以选择预训练的网络模型,如VGG16、ResNet等,也可以自定义网络结构。使用MATLAB的网络设计工具箱,可以非常方便地在Matlab中定义、修改和训练网络。 3. 训练网络:定义好网络模型后,我们可以使用trainNetwork函数来对网络进行训练。可以使用训练选项来设置训练参数,如学习率、迭代次数等。此过程会调整网络的权重和偏置,以最小化损失函数。 4. 评估网络性能:训练完成后,我们可以使用测试数据对网络进行评估。可以使用classify函数进行图像分类,并计算准确率等性能指标。 5. 使用网络进行预测:训练完成的网络可以用于预测新的数据。可以使用predict函数对新的图像数据进行分类预测。 在整个过程中,Matlab提供了丰富的函数和工具来简化CNN代码的编写和调试过程。这使得我们能够更快地实现和训练自己的CNN模型,并将其应用于不同的图像识别和计算机视觉任务中。
评论 22
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值