Matlab实现图像识别（三）

这节实现一个简单的神经网络。

首先要有一个60*80=4800的输入层，我们将img进行reshape就可以得到了。
 

input = reshape(img, 4800, 1);

这样我们就将img转化成四千八百行，1列的一个列向量 。

但其实这个并不是列向量，因为img每一个单元都有3个的分量，需要通过im2double来转化：

input = im2double(input);

这样才算成功转化。

然后我们设计隐藏层，隐藏层的话，一般隐藏层是输入层的一倍或者两倍就够了，现在调成五千个节点。然后我们设计w为五千行，四千八百列的一个数组，内容初始化为random的函数。
 

w1 = rand(5000, 4800);

b1为五千列一行的向量，初始化为随机，不贴代码了。

然后进行输入层到隐含层的转移，添加一个sigmoid激活函数，如果有更好的激活函数，以后再改：
 

hide = sigmoid_mat(w1*input+b1);

关于这个Sigmiod函数，我们另开一个函数脚本，脚本里面有这个函数和它的导数，然后引用就可以了。
新开一个脚本sigmoid.m，写入代码：

function y = sigmoid(x)
y = 1./(1+e^(-x));
end

这样就实现了sigmoid激活函数，但是这个只是一个数的sigmoid函数，如果实现一个向量的sigmoid函数就更方便了，新建文件sigmoid_mat.m里写入：

function Y = sigmoid_mat(X)
len = length(X);
Y = zero(len, 1);
for i = 1:len
    Y(i,1) = sigmoid(X(i,1));
end
end

这样就实现了向量的sigmoid函数。

然后设计输出层，没错隐藏层就一层，现在是先让它跑起来，再慢慢改。输出层有101个节点，从0~100标记上数字，然后让名字按照字典序一一对应即可，它的w2是101行，五千列的一个向量，b2是101行，1列的向量。

w2 = rand(101, 5000);
b2 = rand(101, 1);
output = sigmoid(w2*hide+b2);

这样前向传播就完成了。下面实现反向传播。