机器学习和神经网络7

创建一个基于深度神经网络（DNN）的模型是一个很好的方式来理解神经网络的工作原理。以下是一个使用 MATLAB 创建简单 DNN 的基本步骤。这个例子将创建一个用于分类的基本网络，比如区分数字图像（类似于 MNIST 数据集中的任务）。

步骤 1: 准备数据集

首先，你需要一个数据集。MATLAB 提供了一些内置的数据集，例如 digitDatasetPath = fullfile(matlabroot,'toolbox','nnet','nndemos','nndatasets','DigitDataset'); 这个路径下的数字数据集。

digitData = imageDatastore(digitDatasetPath,...
        'IncludeSubfolders',true,'LabelSource','foldernames');

步骤 2: 分割数据集

将数据集分为训练集和测试集。

[trainingImages, testImages] = splitEachLabel(digitData,0.8,'randomize');

步骤 3: 定义网络架构

定义一个简单的网络架构。例如，一个具有几个全连接层的小型网络。

layers = [
    imageInputLayer([28 28 1])
    fullyConnectedLayer(100)
    reluLayer
    fullyConnectedLayer(50)
    reluLayer
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];

步骤 4: 指定训练选项

设置训练的参数，比如迭代次数、学习率等。

options = trainingOptions('sgdm',...
    'MaxEpochs',20,...
    'InitialLearnRate',1e-4,...
    'Verbose',false,...
    'Plots','training-progress');

步骤 5: 训练网络

使用准备好的数据和定义的架构训练网络。

net = trainNetwork(trainingImages,layers,options);

步骤 6: 评估网络

使用测试集评估网络性能。

predictedLabels = classify(net,testImages);
accuracy = mean(predictedLabels == testImages.Labels);

这个例子是非常基础的。在实际应用中，你可能需要调整网络架构、增加层的复杂性、调整训练参数等来提高模型的性能。MATLAB 提供了丰富的工具和函数来支持这些高级操作。