Matlab深度学习——入门

最新推荐文章于 2024-04-30 12:04:23 发布
最新推荐文章于 2024-04-30 12:04:23 发布
阅读量4.7w 收藏 1k
点赞数 145
分类专栏： Matlab 文章标签： 深度学习 人工智能 Matlab 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/longlongsvip/article/details/105466512
版权

Matlab&深度学习

0.重要的事情

之前我没有注意到Matlab版本的问题，给一些小伙伴造成了困扰，抱歉，以后我会详细说明的
最近很忙，大概率到明年才更新Matlab&深度学习(二),加油

1.为什么使用Matlab？

如今Python语言占据了深度学习，然而Matlab也是可以做的。

  • 好奇心，尝鲜，学习
  • Matlab的优点：
    • 使用应用程序和可视化工具创建、修改和分析深度学习架构
    • 使用应用程序预处理数据，并自动对图像、视频和音频数据进行真值标注
    • 在 NVIDIA® GPU、云和数据中心资源上加速算法，而无需专门编程
    • 与基于 TensorFlow、PyTorch 和 MxNet 等框架的使用者开展协作
    • 使用强化学习仿真和训练动态系统行为
    • 从物理系统的 MATLAB 和 Simulink® 模型生成基于仿真的训练和测试数据
2.入门——手写数字识别
2.0环境介绍
  • 【重要】Matlab 2019b版本以上包括Matlab 2019b，我不知道Matlab 2019a版本怎么样，小伙伴们知道的话请评论一下我会及时更新的
  • RTX 2060，其实其他显卡也可以，只要支持GPU计算即可
  • GPU支持
2.1手写数字图片集

MNIST是手写数字图片数据集，包含60000张训练样本和10000张测试样本。MNIST数据集来自美国国家标准与技术研究所，National Institute of Standards and Technology(NIST)，M是Modified的缩写。训练集是由来自250个不同人手写的数字构成，其中50%是高中学生，50%来自人口普查局的工作人员。测试集也是同样比例的手写数字数据。每张图片有28x28个像素点构成，每个像素点用一个灰度值表示，这里是将28*28的像素展开为一个一维的行向量(每行784个值)。图片标签为one-hot编码：0-9

重要：需要下载Mnist数据集

Mnist数据集下载链接
MNIST数据集部分展示

2.2Matlab读取Mnist数据集获取图像和标签
datapath = "./Mnist/";

filenameImagesTrain = strcat(datapath, "train-images-idx3-ubyte");
filenameLabelsTrain = strcat(datapath, "train-labels-idx1-ubyte");
filenameImagesTest = strcat(datapath, "t10k-images-idx3-ubyte");
filenameLabelsTest = strcat(datapath, "t10k-labels-idx1-ubyte");

XTrain = processMNISTimages(filenameImagesTrain);
YTrain = processMNISTlabels(filenameLabelsTrain);
XTest = processMNISTimages(filenameImagesTest);
YTest = processMNISTlabels(filenameLabelsTest);
% 处理Mnist数据集图像
function X = processMNISTimages(filename)
    [fileID,errmsg] = fopen(filename,'r','b');
    if fileID < 0
        error(errmsg);
    end
    magicNum = fread(fileID,1,'int32',0,'b');
    if magicNum == 2051
        fprintf('\nRead MNIST image data...\n')
    end
    numImages = fread(fileID,1,'int32',0,'b');
    fprintf('Number of images in the dataset: %6d ...\n',numImages);
    numRows = fread(fileID,1,'int32',0,'b');
    numCols = fread(fileID,1,'int32',0,'b');
    X = fread(fileID,inf,'unsigned char');
    X = reshape(X,numCols,numRows,numImages);
    X = permute(X,[2 1 3]);
    X = X./255;
    X = reshape(X, [28,28,1,size(X,3)]);
    X = dlarray(X, 'SSCB');
    fclose(fileID);
end
% 处理Mnist数据集标签
function Y = processMNISTlabels(filename)
    [fileID,errmsg] = fopen(filename,'r','b');
    if fileID < 0
        error(errmsg);
    end
    magicNum = fread(fileID,1,'int32',0,'b');
    if magicNum == 2049
        fprintf('\nRead MNIST label data...\n')
    end
    numItems = fread(fileID,1,'int32',0,'b');
    fprintf('Number of labels in the dataset: %6d ...\n',numItems);
    Y = fread(fileID,inf,'unsigned char');
    Y = categorical(Y);
    fclose(fileID);
end

运行结果：

Read MNIST image data...
Number of images in the dataset:  60000 ...

Read MNIST label data...
Number of labels in the dataset:  60000 ...

Read MNIST image data...
Number of images in the dataset:  10000 ...

Read MNIST label data...
Number of labels in the dataset:  10000 ...
2.3网络设计——LeNet5

LeNet-5的网络模型如下图所示
LeNet5网络哦模型
网络模型具体参数如下表所示

网络层卷积核尺寸步长填充输出大小
输入层32 * 32 * 1
卷积层151028 * 28 * 6
最大池化层122014 * 14 * 6
卷积层251010 * 10 * 6
最大池化层22205 * 5 * 16
全连接层11 * 1 * 120
全连接层21 * 1 * 84
全连接层31 * 1 * 10
Softmax层1 * 1 * 10
分类层1 * 1 * 10
2.4Matlab——LeNet5设计

在Matlab 2019b中的App中有一个App，名为Deep Network Designer，即深度网络设计师，打开它，就可以通过拖动神经网络的组件来设计深度网络了
Matlab深度网络设计师
下表给出Matlab网络设计师中常见组件的相关信息

组件翻译
imageInputLayer图像输入层
sequenceInputLayer序列输入层
convolution2dLayer卷积层
fullyConnectLayer全连接层
reluLayerrelu层
leakyReluLayerleakyRelu层
tanhLayertanhLayer层
eluLayereLu层
batchNormalizationLayerBN层
dropoutLayerdropout层
crossChannelNormalizationLayerCCN层
averagePooling2dLayer平均池化层
globalAveragePooling2dLayer全局平均池化层
maxPooling2dLayer最大池化层
additionLayer加法层
depthConcatenationLayer深度连接层
concatenationLayer连接层
softmaxLayersoftmax层
classificationLayer分类层
regressionLayer回归层

LeNet5设计图
LeNet设计图
设计完网络后用分析工具进行分析
LeNet5网络设计分析结果
分析结果无误后，导出LeNet5网络代码

layers = [
    imageInputLayer([28 28 1],"Name","imageinput")
    convolution2dLayer([5 5],6,"Name","conv1","Padding","same")
    tanhLayer("Name","tanh1")
    maxPooling2dLayer([2 2],"Name","maxpool1","Stride",[2 2])
    convolution2dLayer([5 5],16,"Name","conv2")
    tanhLayer("Name","tanh2")
    maxPooling2dLayer([2 2],"Name","maxpool","Stride",[2 2])
    fullyConnectedLayer(120,"Name","fc1")
    fullyConnectedLayer(84,"Name","fc2")
    fullyConnectedLayer(10,"Name","fc")
    softmaxLayer("Name","softmax")
    classificationLayer("Name","classoutput")];

至此，LeNet5网络Matlab设计已完成

2.5训练LeNet5网络

在Matlab训练网络，可以使用以下代码来设置训练，详见注释。训练时如果可以使用GPU来加速，训练会很快完成

options = trainingOptions('sgdm', ... %优化器
    'LearnRateSchedule','piecewise', ... %学习率
    'LearnRateDropFactor',0.2, ... % 
    'LearnRateDropPeriod',5, ...
    'MaxEpochs',20, ... %最大学习整个数据集的次数
    'MiniBatchSize',128, ... %每次学习样本数
    'Plots','training-progress'); %画出整个训练过程

doTraining = true; %是否训练
if doTraining
    trainNet = trainNetwork(XTrain, YTrain,layers,options);
    % 训练网络，XTrain训练的图片，YTrain训练的标签，layers要训练的网
    % 络，options训练时的参数
end
save Minist_LeNet5 trainNet %训练完后保存模型
yTest = classify(trainNet, XTest); % 测试训练后的模型
accuracy = sum(yTest == YTest)/numel(YTest); %模型在测试集的准确率
2.6训练结果与测试

训练结果
训练过程
测试模型
首先，给出测试示例图片
测试示例图片：5
测试代码，详见注释

test_image = imread('5.jpg');
shape = size(test_image);
dimension=numel(shape);
if dimension > 2
    test_image = rgb2gray(test_image); %灰度化
end
test_image = imresize(test_image, [28,28]); %保证输入为28*28
test_iamge = imbinarize(test_image,0.5); %二值化
test_image = imcomplement(test_image); %反转，使得输入网络时一定要保证图片
% 背景是黑色，数字部分是白色
imshow(test_image);

load('Minist_LeNet5');
% test_result = Recognition(trainNet, test_image);
result = classify(trainNet, test_image);
disp(test_result);

测试图片输入网络前的显示
结果输出为：5，成功

5.完整的目录结构

完整的目录结构

3.完整的训练代码
%% 需要数据集 %%
datapath = "./Mnist/";

filenameImagesTrain = strcat(datapath, "train-images-idx3-ubyte");
filenameLabelsTrain = strcat(datapath, "train-labels-idx1-ubyte");
filenameImagesTest = strcat(datapath, "t10k-images-idx3-ubyte");
filenameLabelsTest = strcat(datapath, "t10k-labels-idx1-ubyte");

XTrain = processMNISTimages(filenameImagesTrain);
YTrain = processMNISTlabels(filenameLabelsTrain);
XTest = processMNISTimages(filenameImagesTest);
YTest = processMNISTlabels(filenameLabelsTest);

%% LeNet网络 %%
LeNet = [
    imageInputLayer([28 28 1],"Name","imageinput")
    convolution2dLayer([5 5],6,"Name","conv1","Padding","same")
    tanhLayer("Name","tanh1")
    maxPooling2dLayer([2 2],"Name","maxpool1","Stride",[2 2])
    convolution2dLayer([5 5],16,"Name","conv2")
    tanhLayer("Name","tanh2")
    maxPooling2dLayer([2 2],"Name","maxpool","Stride",[2 2])
    fullyConnectedLayer(120,"Name","fc1")
    fullyConnectedLayer(84,"Name","fc2")
    fullyConnectedLayer(10,"Name","fc")
    softmaxLayer("Name","softmax")
    classificationLayer("Name","classoutput")
    ];

%% 训练LeNet %%
options = trainingOptions('sgdm', ... %优化器
    'LearnRateSchedule','piecewise', ... %学习率
    'LearnRateDropFactor',0.2, ... % 
    'LearnRateDropPeriod',5, ...
    'MaxEpochs',20, ... %最大学习整个数据集的次数
    'MiniBatchSize',128, ... %每次学习样本数
    'Plots','training-progress'); %画出整个训练过程

doTraining = true; %是否训练
if doTraining
    trainLeNet = trainNetwork(XTrain, YTrain,LeNet,options);
    % 训练网络，XTrain训练的图片，YTrain训练的标签，layers要训练的网
    % 络，options训练时的参数
end
save Minist_LeNet5 trainLeNet %训练完后保存模型
yTest = classify(trainLeNet, XTest); % 测试训练后的模型
accuracy = sum(yTest == YTest)/numel(YTest); %模型在测试集的准确率

%% 函数 %%
%% 处理Mnist数据集图像 %%
function X = processMNISTimages(filename)
    [fileID,errmsg] = fopen(filename,'r','b');
    if fileID < 0
        error(errmsg);
    end
    magicNum = fread(fileID,1,'int32',0,'b');
    if magicNum == 2051
        fprintf('\nRead MNIST image data...\n')
    end
    numImages = fread(fileID,1,'int32',0,'b');
    fprintf('Number of images in the dataset: %6d ...\n',numImages);
    numRows = fread(fileID,1,'int32',0,'b');
    numCols = fread(fileID,1,'int32',0,'b');
    X = fread(fileID,inf,'unsigned char');
    X = reshape(X,numCols,numRows,numImages);
    X = permute(X,[2 1 3]);
    X = X./255;
    X = reshape(X, [28,28,1,size(X,3)]);
    X = dlarray(X, 'SSCB');
    fclose(fileID);
end
%% 处理Mnist数据集标签 %%
function Y = processMNISTlabels(filename)
    [fileID,errmsg] = fopen(filename,'r','b');
    if fileID < 0
        error(errmsg);
    end
    magicNum = fread(fileID,1,'int32',0,'b');
    if magicNum == 2049
        fprintf('\nRead MNIST label data...\n')
    end
    numItems = fread(fileID,1,'int32',0,'b');
    fprintf('Number of labels in the dataset: %6d ...\n',numItems);
    Y = fread(fileID,inf,'unsigned char');
    Y = categorical(Y);
    fclose(fileID);
end
4.完整的测试代码以及测试结果
test_image = imread('5.jpg');
shape = size(test_image);
dimension = numel(shape);
if dimension > 2
    test_image = rgb2gray(test_image); %灰度化
end
test_image = imresize(test_image, [28,28]); %保证输入为28*28
test_iamge = imbinarize(test_image,0.5); %二值化
test_image = imcomplement(test_image); %反转，使得输入网络时一定要保证图片、
% 背景是黑色，数字部分是白色
imshow(test_image);

load('Minist_LeNet5');
% test_result = Recognition(trainNet, test_image);
test_result = classify(trainLeNet, test_image);
disp(test_result);

真的是5

结束语

这个文章会适时更新的，欢迎大家学习，参考，评论，遇到问题在可以评论里Q我，当然关于“我的训练为啥不能用GPU这种玄学问题”，我能试着给予解答，但不保证能解决你的问题，或许可以用CPU来训练网络，不过我没试。可以看到Matlab在设计一些网络时还是很方便的——通过拖拖拽拽，哈哈，希望Matlab能引入更多的网络层组件，来使我们可以更好更方便地设计深度网络

longlongsvip
关注
专栏目录
MATLAB - 强化学习（Reinforcement Learning）
weixin_46300916的博客
08-12 1425
控制系统环境是表示动态系统的环境，其中的状态和观测通常属于无限（不可数）的数值向量空间。在这种环境中，状态转换规律是确定性的，通常是通过对所要建模的底层物理系统的动力学进行离散化推导出来的。请注意，在这些环境中，动作仍然可以属于有限集合。强化学习工具箱提供了多个预定义的控制系统环境对象，用于模拟双积分器或小车摆杆系统等动态系统。一般来说，每个预定义环境都有两个版本，一个是离散（有限）动作空间，另一个是连续（无限和不可数）动作空间。
手把手教你用matlab做深度学习(一)- --CNN
热门推荐
caokaifa的博客
07-23 9万+
1.使用深度学习做目标检测 上一篇博客已经讲解了怎么用matlab导入数据。 [trainingImages,trainingLabels,testImages,testLabels] = helperCIFAR10Data.load('cifar10Data'); 使用这个指令就可以导入CIFAR-10 data的数据。 使用下面指令查看样本和图片大小： size(train...
使用matlab进行深度学习.pdf
11-26
matlab官方中文进行深度学习指导说明书，讲述了整个搭建过程及基本的概念逻辑等，图文并茂，讲述的比较详细
十分钟入门深度学习+MATLAB视频教程+病虫害识别代码+数据集（100%可用）
01-04
本系列课程利用MATLAB进行深度学习，课程将从数据集设置、模型搭建、模型训练、模型测试等方面，深入介绍MATLAB深度学习工具箱。最后利用一个实例——多种果树病虫害识别。这个课程几乎不用编程，就可实现深度学习。（在使用时，只用把Xception函数加载初始参数和导入数据路径改成自己的路径）
MATLAB初学者入门（28）—— 有监督学习神经网络
最新发布
贾贾的博客
04-30 2026
有监督学习神经网络是用于执行分类和回归任务的强大工具，其中网络通过输入和目标输出对的训练集来学习数据的映射。MATLAB 提供了一个易于使用的框架，用于设计、训练和验证深度学习模型，包括多层感知器（MLP）、卷积神经网络（CNN）和循环神经网络（RNN）。
MATLAB中的深度学习实战：从原理到实现
m0_57781768的博客
09-30 1073
深度学习是机器学习的一个子领域，它基于神经网络的概念。这些神经网络有多个隐藏层，可以学习并表示数据的复杂特性。近年来，由于计算能力的增强和海量数据的可用性，深度学习已经取得了在诸如图像识别、自然语言处理和强化学习等领域的突出成果。MATLAB是一种高级编程语言和交互式环境，用于数据分析、算法开发和模型创建。MATLAB提供了大量的库和工具箱，其中就包括深度学习工具箱，使得开发和测试深度学习模型变得相对简单。
小迈步第一课： MATLAB深度学习入门课堂
03-14
2019.03.14 MATLAB公开教程的PPT，课程内容： 1. 简介 深度学习：直接从数据中进行学习 卷积神经网络：用于图像识别、目标检测、语义分割等任务 2. MATLAB的优势 支持与Tensorflow/Pytorch等开源框架协作 简单易学，高质量的帮助文档和大量示例 高效的开发平台，完整的工具链 实用的数据标注和可视化工具 强大的代码生成功能 支持多平台部署 3. 仅用11行代码实现图像分类 1行代码直接导入经典的Alexnet网络模型 通过摄像头实时采集图像数据，可识别1000种常见物体 4. 迁移学习的力量 基于已有的卷积神经网络进行微调，实现专属图像识别 丰富的预训练模型，包括SqueezeNet, ResNet-18, DenseNet-201, Inception-ResNet-v2等 5. 设计复杂网络的利器：Deep Network Designer 图形交互界面，便于设计和修改复杂的网络 支持一键分析，自动修正网络结构中的错误 6. MATLAB与Tensorflow/Pytorch等开源框架的协作 通过ONNX (Open Neural Network Exchange)共享深度学习模型 支持直接导入Keras和Caffe的模型
MatLab深度学习入门
huwanting的专栏
08-14 2899
[学习笔记]matlab官方课程学习记录https://matlabacademy.mathworks.com/cn 1 流程 1.1 加载并产看图像 使用 imread 函数来导入大多数标准文件格式（GIF、JPEG、PNG 等）的图像。 img1 = imread('file01.jpg'); imshow(img1) 1.2 使用 alexnet 函数在 MATLAB 工作区中创建预定义的深度网络“AlexNet”的副本 deepnet = alexnet; 1.3 预测类别 pred.
使用matlab进行深度学习
meihuaying的博客
05-25 7930
使用matlab的深度学习包 注：本文章的功能需要matlab2018及
Matlab 深度学习
jomes_wang的博客
06-29 1483
入坑 MATLAB 进行深度学习 一：摄像头1.1 两种获取摄像头的方式Matlab自身不支持直接读取摄像头数据，需要安装硬件支持包才可以获取，目前常用的有两个包： 第一个是 MATLAB Support Package for USB Webcams，这个包可以获取任何USB摄像头的图像(UVC)，也可以获取电脑自带摄像头的数据，兼容 R2014a 到 R2020a 的版本。 第二个是...
基于Matlab实现的深度学习算法
04-24
基于Matlab实现的深度学习算法
Deep Learning Toolbox 快速入门指南_Matlab学习_MATLAB深度学习_deeplearning_ma
09-11
无论是设计算法，准备和标注数据，还是生成代码并部署到嵌入式系统，只需短短几行 MATLAB? 代码，就可以在工作中应用深度学习方法。
matlab，深度学习
08-31
是初学深度学习的一个很好的资料。里面有CNN,DBN,NN,CNE等，很不错的 ，作为初学者的代码工具，强烈推荐。
Matlab deeplearning
10-25
英文版 MATLAB实现深度学习，从神经网络到深度神经网络再讲了卷积神经网络
Matlab平均池化代码,Matlab深度学习——入门
weixin_42494891的博客
03-22 2098
Matlab&深度学习1.为什么使用Matlab？如今Python语言占据了深度学习，然而Matlab也是可以做的。好奇心，尝鲜，学习Matlab的优点：使用应用程序和可视化工具创建、修改和分析深度学习架构使用应用程序预处理数据，并自动对图像、视频和音频数据进行真值标注在 NVIDIA® GPU、云和数据中心资源上加速算法，而无需专门编程与基于 TensorFlow、PyTorch 和 M...
MATLAB深度学习入门实例（果树病虫害识别Alexnet版）
06-04
本系列课程利用MATLAB进行深度学习，课程将从数据集设置、模型搭建、模型训练、模型测试、模型评价等方面，深入介绍MATLAB深度学习工具箱。最后利用一个实例——多种果树病虫害识别。（这是最新版，2022年6月更新！...
MATLAB深度学习入门实例（果树病虫害识别VGG19版）
01-03
本系列课程利用MATLAB进行深度学习，课程将从数据集设置、模型搭建、模型训练、模型测试、模型评价等方面，深入介绍MATLAB深度学习工具箱。最后利用一个实例——多种果树病虫害识别。（这是最新版，2022年5月更新！...
sql 查询去除重复数据
10-25
在 SQL 查询中，可以使用 DISTINCT 关键字来去除重复数据，该关键字用于在 SELECT 语句中指定要返回的唯一值。 例如，假设有一个名为 employees 的表，该表包含了员工的个人信息，其中包含了重复的值，我们可以使用以下 SQL 查询来去除重复数据： SELECT DISTINCT * FROM employees; 上述查询将返回 employees 表中所有不重复的行。 在使用 DISTINCT 关键字时，需要注意以下几点： 1. DISTINCT 关键字应用于 SELECT 语句之后的所有列，例如上面的示例中使用了 * 来选择所有列，也可以指定具体的列名来去除特定列的重复数据。 2. DISTINCT 关键字只能去除行的重复数据，不能去除列中的重复数据。 3. 当使用 DISTINCT 关键字时，SQL 查询的执行速度可能会变慢，因为数据库系统需要对每一行进行比较以确定是否是重复数据。 4. 如果只需要去除某一列的重复数据，可以使用 GROUP BY 子句来实现，例如： SELECT column_name FROM table_name GROUP BY column_name; 上述查询将返回指定列名的不重复值。 总而言之，使用 DISTINCT 关键字可以很方便地去除 SQL 查询结果中的重复数据，但同时也需要注意查询性能和所需的数据精确性。
评论 158
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值