clear all; close all; clc;
load mnist_uint8;%导入数据集
train_x = double(reshape(train_x',28,28,60000))/255;
%使用MNIST数据集,将图像进行归一化
test_x = double(reshape(test_x',28,28,10000))/255;
%同理,将测试图像进行归一化
train_y=double(train_y');
%强制转换类型,为double型,大小为10*60000
test_y=double(test_y');
%大小为10*10000
% 训练一个6c-2s-12c-2s形式的卷积神经网络
rng(0)%rng(sd)用于生成随机数,这个地方为什么要有这个函数···留待···
cnn.layers = {
struct('type', 'i') %input layer
struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer,输出6个特征图,卷积核的大小为5*5
struct('type', 's', 'scale', 2)%sub sampling layer,滑动窗口大小为2*2
struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer,输出12个特征图,卷积核的大小为5*5
struct('type', 's', 'scale', 2)%subsampling layer,滑动窗口大小为2*2
};
% 这里把cnn的设置给cnnsetup,它会据此构建一个完整的CNN网络,并返回
cnn = cnnsetup(cnn, train_x, train_y);
% 学习率
opts.alpha = 0.1;
% 每次挑出一个batchsize的batch来训练,也就是每用batchsize个样本就调整一次权值,而不是
% 把所有样本都输入了,计算所有样本的误差了才调整一次权值
opts.batchsize = 50;
% 训练次数,用同样的样本集
% 1的时候 11.41% error
% 5的时候 4.2% error
% 10的时候 2.73% error
% 50的时候 1.89% error
opts.numepochs = 1;
% 把训练样本给网络,开始训练这个CNN网络
cnn = cnntrain(cnn, train_x, train_y, opts);
%save CNN_5 cnn;
% 用测试样本来测试
%load CNN_5 cnn;
[er, bad] = cnntest(cnn, test_x, test_y);
%输出均方误差
figure,plot(cnn.rL);
%assert(er<0.12, 'Too big error');
%画图显示
disp([num2str(er*100) '% error']);
DeepLearningtoolbox(2):cnnexample.m
最新推荐文章于 2018-09-22 14:56:50 发布