模式识别 | MATLAB实现DNN深度神经网络模式分类识别

分类预测 | MATLAB实现DNN全连接神经网络多特征分类预测

基本介绍

DNN的结构不固定，一般神经网络包括输入层、隐藏层和输出层，一个DNN结构只有一个输入层，一个输出层，输入层和输出层之间的都是隐藏层。每一层神经网络有若干神经元，层与层之间神经元相互连接，层内神经元互不连接，而且下一层神经元连接上一层所有的神经元。
隐藏层比较多(>2)的神经网络叫做深度神经网络(DNN的网络层数不包括输入层)，深度神经网络的表达力比浅层网络更强，一个仅有一个隐含层的神经网络就能拟合任何一个函数，但是它需要很多很多的神经元。
优点：由于DNN几乎可以拟合任何函数，所以DNN的非线性拟合能力非常强。往往深而窄的网络要更节约资源。
缺点：DNN不太容易训练，需要大量的数据，很多技巧才能训练好一个深层网络。

任务描述

• MATLAB-DNN
  一种用MATLAB实现的可自定义层数的DNN：针对MNIST进行训练、验证，图形化展示loss和accuracy随迭代次数的变化曲线。
• TrainRecovery.m
  这是对DNN进行训练的主函数。
• Identify.m