DeepLearningtoolbox（4）：cnntrain.m

%opts，神经网络的相关训练参数； 
%net，神经网络；x，训练数据矩阵；y，训练数据的标签矩阵；
function net = cnntrain(net, x, y, opts)
    m = size(x, 3);%训练样本的个数
    %disp(['样本总个数=' num2str(m)]);
    numbatches = m / opts.batchsize;
    %rem(numbatches,1)就相当于取其小数部分，如果为0，就是整数。
    if rem(numbatches, 1) ~= 0
        error('numbatches not integer');
    end

    net.rL = [];%代价函数值，也就是误差值 
    for i = 1 : opts.numepochs
        %disp(X) 打印数组元素
        disp(['epoch ' num2str(i) '/' num2str(opts.numepochs)]);
        %tic和toc是用来计时的，计算这两条语句之间所消耗的时间，
        tic;

    %P=ransperm(N) 返回[1,N]之间所有整数的一个随机序列，这相当于把原来的样本排列打乱。
    %再使用打乱后的样本进行训练
    kk = randperm(m);%打乱样本
    for l = 1 : numbatches%样本依次进入网络
    %取出打乱顺序后的batchsize个样本和对应的标签
        batch_x = x(:, :, kk((l - 1) * opts.batchsize + 1 : l * opts.batchsize));  
        batch_y = y(:,    kk((l - 1) * opts.batchsize + 1 : l * opts.batchsize)); 

        %在当前的网络权值和网络输入下计算网络的输出(特征向量）
        net = cnnff(net, batch_x);%前向过程

        %得到网络的输出之后，通过对应的样本标签用bp算法来得到误差对网络权值的导数，调整网络权值。
        net = cnnbp(net, batch_y); %卷积神经网络的BP算法

        %得到误差对权值的导数后，通过权值更新方法去更新权值。
        net = cnnapplygrads(net, opts);
        if isempty(net.rL)  
            net.rL(1) = net.L;%代价函数值，即误差值。
        end
        net.rL(end + 1) = 0.99 * net.rL(end) + 0.01 * net.L; %采用累积的方式计算累积误差
        %采用累积误差的计算方式来评估当前网络性能，即当前误差 = 以前误差 * 0.99 + 本次误差 * 0.01,使得网络尽可能收敛到全局最优
    end
    toc;
end
end