基于ResNet18深度学习网络的mnist手写数字数据库识别matlab仿真

目录

1.算法仿真效果

2.算法涉及理论知识概要

3.MATLAB核心程序

4.完整算法代码文件

---

1.算法仿真效果

matlab2022a仿真结果如下：

 

 

2.算法涉及理论知识概要

        ResNet系列网络，图像分类领域的知名算法，经久不衰，历久弥新，直到今天依旧具有广泛的研究意义和应用场景。被业界各种改进，经常用于图像识别任务。ResNet-18，数字代表的是网络的深度，也就是说ResNet18 网络就是18层的吗？实则不然，其实这里的18指定的是带有权重的 18层，包括卷积层和全连接层，不包括池化层和BN层。图像分类（Image Classification）是计算机视觉中的一个基础任务，将图像的语义将不同图像划分到不同类别。很多任务也可以转换为图像分类任务。比如人脸检测就是判断一个区域内是否有人脸，可以看作一个二分类的图像分类任务。

        ResNet18的基本含义是，网络的基本架构是ResNet，网络的深度是18层。但是这里的网络深度指的是网络的权重层，也就是包括池化，激活，线性层。而不包括批量化归一层，池化层。下图就是一个ResNet18的基本网络架构，其中并未加入批量化归一和池化层。

（1）7*7卷积层
       首先根据论文中所说的首先经过一个卷积层。这个卷积层的卷积核的大小为77，步长为2，padding为3，输出通道为64。

（2）池化层
        这里通过一个最大池化层，这一层的卷积核的大小是33，步长为2，padding为1。最后输出数据的大小为6456*56.也就是说这个池化不改变数据的通道数量，而会减半数据的大小。

（3）第一个3*3卷积层
        第一个卷积33卷积层，卷积核的大小为33，步长为1，padding为1。最后通过两个第一个卷积层的输出数据大小为645454，也就是这一层不改变数据的大小和通道数。

（4）第二个3*3卷积层
       首先通过一个11的卷积层，并经过一个下采样。这样最后的输出数据为12828*28。也就是将输出通道翻倍，输出数据大小全部减半。

（5）第三个3*3卷积层
        同样进行11卷积，和下采样。这样最后的输出为25614*14。也就是将输出通道翻倍，输出数据大小全部减半。

（6）第四个3*3卷积层
是将输出通道翻倍，输出数据大小全部减半。

（7）平均池化层
最后输出为51211

（8）线性层
 

3.MATLAB核心程序

.......................................................................


tempLayers = [
    additionLayer(2,"Name","res5b")
    reluLayer("Name","res5b_relu")
    globalAveragePooling2dLayer("Name","pool5")
    fullyConnectedLayer(10,"Name","fc10")
    softmaxLayer("Name","prob")
    classificationLayer("Name","ClassificationLayer_predictions")];
LG = addLayers(LG,tempLayers);

% clean up helper variable
clear tempLayers;

LG = connectLayers(LG,"pool1","res2a_branch2a");
LG = connectLayers(LG,"pool1","res2a/in2");
LG = connectLayers(LG,"bn2a_branch2b","res2a/in1");
LG = connectLayers(LG,"res2a_relu","res2b_branch2a");
LG = connectLayers(LG,"res2a_relu","res2b/in2");
LG = connectLayers(LG,"bn2b_branch2b","res2b/in1");
LG = connectLayers(LG,"res2b_relu","res3a_branch2a");
LG = connectLayers(LG,"res2b_relu","res3a_branch1");
LG = connectLayers(LG,"bn3a_branch1","res3a/in2");
LG = connectLayers(LG,"bn3a_branch2b","res3a/in1");
LG = connectLayers(LG,"res3a_relu","res3b_branch2a");
LG = connectLayers(LG,"res3a_relu","res3b/in2");
LG = connectLayers(LG,"bn3b_branch2b","res3b/in1");
LG = connectLayers(LG,"res3b_relu","res4a_branch2a");
LG = connectLayers(LG,"res3b_relu","res4a_branch1");
LG = connectLayers(LG,"bn4a_branch1","res4a/in2");
LG = connectLayers(LG,"bn4a_branch2b","res4a/in1");
LG = connectLayers(LG,"res4a_relu","res4b_branch2a");
LG = connectLayers(LG,"res4a_relu","res4b/in2");
LG = connectLayers(LG,"bn4b_branch2b","res4b/in1");
LG = connectLayers(LG,"res4b_relu","res5a_branch2a");
LG = connectLayers(LG,"res4b_relu","res5a_branch1");
LG = connectLayers(LG,"bn5a_branch1","res5a/in2");
LG = connectLayers(LG,"bn5a_branch2b","res5a/in1");
LG = connectLayers(LG,"res5a_relu","res5b_branch2a");
LG = connectLayers(LG,"res5a_relu","res5b/in2");
LG = connectLayers(LG,"bn5b_branch2b","res5b/in1");

net = trainNetwork(XTrain, YTrainCat, LG, options);

save Res18.mat net
A732

4.完整算法代码文件

V