MATLAB深度学习入门

江中食疗
目录

1. 简介

2. 使用预训练网络：使用已创建和训练后的网络进行分类

2.1 课程示例-识别一些图像中的对象

2.1.1 任务1：读取图像

2.1.2 任务2：显示图像

2.2 进行预测

2.2.1 任务1：定义网络

2.2.2 任务2：进行分类

2.3 CNN结构

2.3.1 任务1：提取网络的层

2.3.2 任务2：提取某一层

2.3.3 任务3：提取某一层的某个属性

2.3.4 任务4：图像维度

2.3.5 任务5：提取输出层的类属性

2.4 调查预测

2.4.1 任务1：预测分数

2.4.2 任务2：创建预测分类的条形图

2.4.3 任务3：挑出主要分数

2.4.4 任务4：显示挑选预测分数后的条形图

2.4.4 任务5：为x轴增加类别标签

3 管理数据集：使用已创建和训练后的网络执行分类

3.1 图像数据集

3.1.1 任务1：使用imageDatastore创建数据存储(DataStore)

3.1.2 任务2：获取文件名

3.1.3 任务3：从数据存储(DataStore)中导入某幅图像

3.1.4 任务4：预测数据存储(DataStore)中的所有图像

3.2 准备输入图像

3.2.1 任务1：查看图像大小

3.2.2 任务2：查看网络输入层的输入图像大小

3.2.3 任务3：将输入图像调整至要求大小并显示

3.3 在数据存储(DataStore)中处理图像

3.3.1 创建增强图像数据存储(DataStore)

3.3.2 使用增强的图像数据存储(DataStore)进行颜色预处理

3.4 使用子文件夹创建一个数据存储(DataStore)

3.4.1 任务1：创建数据存储(Data Store)

3.4.2 任务2：分类

4 迁移学习：修改预训练网络对图像分类

4.1 什么是迁移学习？

4.2 迁移学习所需的组件

4.3 准备训练数据

4.3.1 标记图像

4.3.2 分割数据以用于训练和测试

4.4 修改网络层

4.4.1 任务1：使用fullyConnectedLayer函数创建一个新的全连接层

4.4.2 任务2：对层的数组通过索引进行修改

4.4.3 任务3：将输出层与前面的层(第23层)进行匹配

4.5 设置训练选项

4.5.1 任务1：使用trainingOptions设置训练算法的一些选项(一定要查看帮助手册)

4.5.2 任务2：设置初始学习率

4.6 训练网络

4.6.1 mini-batch

4.6.2 使用GPUs

4.6.3 迁移学习示例（脚本）

4.7 评估性能

4.7.1 评估训练和测试性能

4.7.2 调查测试性能

1. 简介
   该课程为MATLAB官网免费课程(英文)，此笔记只对该课程进行一定的翻译和记录，方便日后复习，如有错误，还请大佬批评指正。官网链接为https://ww2.mathworks.cn/learn/tutorials/deep-learning-onramp.html(深度学习入门之旅)。

2. 使用预训练网络：使用已创建和训练后的网络进行分类
   2.1 课程示例-识别一些图像中的对象
   本节将学习如何使用预先制作的深度神经网络来分类下面12幅图像的内容。理想的分类应该是“海滩”、“猫”、“纸杯蛋糕”、“湖泊”、“鱼”等等。

2.1.1 任务1：读取图像
I = imread(‘filename.png’); % 以分号结束将不会打印出结果

2.1.2 任务2：显示图像
imshow(I)

2.2 进行预测
2.2.1 任务1：定义网络
net = alexnet % 这里的网络模型使用Alexnet

2.2.2 任务2：进行分类
[pred, score] = classify(net,img) % 将网络和输入图像传入分类函数，将得到输入图像的类别preds以及它在每一类中的预测分数score

2.3 CNN结构
MATLAB将CNN表示为一个层的数组，数组的第一个元素为输入层，最后一个元素为输出层。

2.3.1 任务1：提取网络的层
ly = net.Layers % 由下图可以看出Alexnet是一个具有25层的数组

2.3.2 任务2：提取某一层
inlayer = ly(1) % 输入层

layer2 = ly(2) % 第二层

outlayer = ly(end) % 分类输出层

2.3.3 任务3：提取某一层的某个属性
insz = inlayer.InputSize % 输入层的输入图像大小

2.3.4 任务4：图像维度
输入图像是彩色图像，尺寸为：227×227×3。灰度图像的尺寸为227×227。

2.3.5 任务5：提取输出层的类属性
categorynames = outlayer.Classes % 得到一个列向量，表示Alexnet的1000个类的名字

2.4 调查预测
2.4.1 任务1：预测分数
上面的分类函数classify只是将输入图像预测为某一类，并不知道输入图像是该类的概率。该任务不仅会得到预测分类，还会得出预测分数。

[pred,scrs] = classify(net,img) % 得到的分数是一个行向量，表示1000个类的预测分数

2.4.2 任务2：创建预测分类的条形图
bar(scrs)

2.4.3 任务3：挑出主要分数
由上图可知，1000个分类中大部分的值为0，仅有少数预测分数不等于0，本任务旨在将主要分数挑选出来，可以创建一个逻辑数组，返回scrs中大于0.01的值

highscores = scrs > 0.01 % 将scrs数组中大于0.01的元素赋为1，其他为0

2.4.4 任务4：显示挑选预测分数后的条形图
bar(scores(highscores)) % scores(highscores)返回大于0.01的类别的预测分数

2.4.5 任务5：为x轴增加类别标签
xticklabels(categorynames(highscores)) % categorynames(highscores) 返回大于0.01的类别的名字

3 管理数据集：使用已创建和训练后的网络执行分类
3.1 图像数据集
3.1.1 任务1：使用imageDatastore创建数据存储(DataStore)
ls *.jpg % list列出工作空间里与.jpg相关的文件，工作空间中文件夹里的无法列出

net = alexnet;

imds = imageDatastore(’.jpg’) % 使用通配符指定多个文件。

3.1.2 任务2：获取文件名
fname = imds.Files % 使用数据存储(DataStore)的Files属性获取包含路径的文件名

3.1.3 任务3：从数据存储(DataStore)中导入某幅图像
使用函数：read, readimage, readall可以手动地从数据存储(DataStore)中导入图像

for i = 1:3

img = read(imds)  % 按顺序依次读取图像，每次仅返回一张图像

end

img = readimage(imds, 7) % 读取并返回数据存储(DataStore)中的某张(第7张)图像

img = readall(imds) % 一次性读取数据存储(DataStore)中的所有图像，返回的并不是图像数据

3.1.4 任务4：预测数据存储(DataStore)中的所有图像
preds = classify(net, imds)

3.2 准备输入图像
由于不同的网络对输入图像的要求不同，所以需要对输入图像进行预处理后再输入网络。

3.2.1 任务1：查看图像大小
img = imread(‘filename.jpg’);

imshow(img)

sz = size(img) % 返回图像的高度、宽度、通道数

3.2.2 任务2：查看网络输入层的输入图像大小
net = alexnet

ly = net.Layers

insz = ly(1).InputSize

3.2.3 任务3：将输入图像调整至要求大小并显示
img = imresize(img, [r, c]); % r为行（高度），c为列（宽度）

imshow(img)

3.3 在数据存储(DataStore)中处理图像
上面是对单个图像进行预处理，但平常的数据集中的图像数量相当之大。因此，直接对整个图像数据集进行处理就显得很有必要了。

3.3.1 创建增强图像数据存储(DataStore)
3.3.3.1 任务1：创建数据存储(DataStore)

ls *.jpg

net = alexnet

imds = imageDatastore(’*.jpg’)

3.3.3.2 任务2：创建增强的图像数据存储(DataStore)

auds = augmentedImageDatastore([r c],imds) % 将数据存储(DataStore)中所有图像的大小统一调整到[r c]大小，特别强调r与c没有逗号

3.3.3.3 任务3：对预处理后的图像数据存储(DataStore)进行分类

preds = classify(net, auds)

3.3.2 使用增强的图像数据存储(DataStore)进行颜色预处理
3.3.2.1 任务1：蒙太奇(montage)

ls *.jpg

net = alexnet

montage(imds) % 使用蒙太奇手法显示数据存储(DataStore)中的所有图像

3.3.2.2 任务2：创建增强图像数据存储(DataStore)

这里做的增强除了调整大小之外，还有灰色图像转换为彩色图像

auds = augmentedImageDatastore([227 227], imds, ‘ColorPreprocessing’, ‘gray2rgb’)

3.3.2.3 任务3：对预处理后的图像数据存储(DataStore)进行分类

preds = classify(net, auds)

3.4 使用子文件夹创建一个数据存储(DataStore)
将每一类的图像放在一个子文件夹下，图像已经按照这种格式放置，而非按照这种方式去创建。

3.4.1 任务1：创建数据存储(Data Store)
net = alexnet;

ds = imageDatastore(‘folder’, ‘IncludeSubfolders’, true) % folder为图像数据集的路径，使用“IncludeSubfolders”选项在给定文件夹的子文件夹中查找图像。

3.4.2 任务2：分类
preds = classify(net, ds)

4 迁移学习：修改预训练网络对图像分类
4.1 什么是迁移学习？
如果从网络架构和随机权重开始，自己构建和训练网络。但要达到合理的结果需要付出很多努力:(1)网络架构的知识和经验，(2)大量的训练数据，(3)大量的计算机时间。

迁移学习是解决许多问题的有效方法。训练需要一些数据和计算机时间，但比从零开始的培训要少得多，其结果是形成了适合您的特定问题的网络。

4.2 迁移学习所需的组件
三大件：

修改后的网络Network layers

知道标签的训练数据Training data

训练算法Algorithm options

4.3 准备训练数据
将训练数据按照类别数分为一定的子文件夹进行存放，每个子文件夹的名字为相应类别的标签。如下图，花的数据集，包含12个类，所以有12个子文件夹，每个子文件夹的名字为每类花的名字。

4.3.1 标记图像
4.3.1.1 任务1：创建带标签的数据集

load pathToImages % 加载数据集文件pathToImages.mat

flwrds = imageDatastore(pathToImages,‘IncludeSubfolders’, true);

flowernames = flwrds.Labels

训练所需的标签可以存储在图像数据存储库的标签属性中。默认情况下，标签属性为空。

通过指定“LabelSource”选项，可以让数据存储自动确定文件夹名称中的标签。如果指定了 ‘foldernames’，将根据文件夹名称分配标签并存储在 Labels 属性中。您以后可以通过直接访问 Labels 属性来修改标签。

flwrds = imageDatastore(pathToImages, ‘IncludeSubfolders’,true, ‘LabelSource’, ‘foldernames’)

4.3.1.2 任务2：提取新的标签

flowernames = flwrds.Labels

4.3.2 分割数据以用于训练和测试
4.3.2.1 任务1：使用splitEachLabel函数分割数据集

[ds1,ds2] = splitEachLabel(imds,p) % imds是创建的数据存储，p是零一之间的一个比例，返回的ds1是imds的p倍，剩下的imds分配给ds2，即ds2是imds的(1-p)倍

4.3.2.2 任务2：随机分割分割

[ds1,ds2] = splitEachLabel(imds,p,‘randomized’)

4.3.2.3 任务3：处理不平衡的训练数据

由于某些数据集在类别上是不平衡的，也即是说，可能有些类的数据多一些，有些类的数据少一些，它们的数目并不是相等的。因此，使用按比例分配的方式主要在数据多的类上进行学习，在数据少的类少学习很少。为了避免这种情况，可以对数据进行分割，使每个类的训练图像具有相等的数量。

[ds1,ds2] = splitEachLabel(imds, n, ‘randomized’) % 确保ds1中的每一类都有n个数据，剩下的数据分给ds2, 'randomized’可选

4.4 修改网络层
不同的数据集往往类别数也不同，因此，需要对网络中的某些层进行修改，比如输出层的神经元个数应该修改为数据集的类别数。

4.4.1 任务1：使用fullyConnectedLayer函数创建一个新的全连接层
anet = alexnet;

layers = anet.Layers

fc = fullyConnectedLayer(n) % n是新建全连接层的神经元个数

4.4.2 任务2：对层的数组通过索引进行修改
layers(23) = fc % 将Alexnet的第23层修改为上述新建的全连接层

4.4.3 任务3：将输出层与前面的层(第23层)进行匹配
layers(end) = classificationLayer % 使用classificationLayer函数新建一个分类层，并赋给最后一层(输出层)，该函数将自动确定输出层的神经元个数

4.5 设置训练选项
4.5.1 任务1：使用trainingOptions设置训练算法的一些选项(一定要查看帮助手册)
opts = trainingOptions(solverName) % 返回一个由solverName指定的优化器的选项，solverName默认为’sgdm’

还可以设置

options = trainingOptions(‘sgdm’, …
‘LearnRateSchedule’,‘piecewise’, … % 学习率减少方案
‘LearnRateDropFactor’,0.2, …
‘LearnRateDropPeriod’,5, … % 每5个epoch减少0.2倍的学习率
‘MaxEpochs’,20, … % 最多迭代的epoch数
‘MiniBatchSize’,64, … % 每个epoch迭代的batchsize
‘Plots’,‘training-progress’)

'Plots’设置为’training-progress’时有下图

4.5.2 任务2：设置初始学习率
学习率控制算法改变网络权重的幅度。迁移学习的目标是对现有的网络进行微调，因此通常希望更改权重，而不是像从头开始训练时那样大刀阔斧。

opts = trainingOptions(‘sgdm’,‘Name’, value) % 指定训练选项的名称’Name’和值value(相当于字典的键值对)

opts = trainingOptions(‘sgdm’, ‘InitialLearnRate’, 0.001)

4.6 训练网络
4.6.1 mini-batch

mini-batch是指在每一次迭代过程中，用到的部分训练集。每次迭代都会使用不同的mini-batch。当整个数据集都被使用过一次后，这样的一个周期称为epoch。训练多少个周期可以通过设置’MaxEpochs’来实现。

值得注意的是，损失和准确率是针对当前的mini-batch而言的，而非整个训练集的平均

默认在划分mini-batch之前，通常会对数据集进行洗牌，你可以通过shuffle选项来设置。

4.6.2 使用GPUs
GPU可以显著提高深度学习的计算性能。如果你的计算机不支持GPU的话，MATLAB将会在CPU上执行训练过程，不过这会花费大量的时间。

4.6.3 迁移学习示例（脚本）
获取训练图像
flower_ds = imageDatastore(‘Flowers’,‘IncludeSubfolders’,true,‘LabelSource’,‘foldernames’);

[trainImgs,testImgs] = splitEachLabel(flower_ds,0.6);

numClasses = numel(categories(flower_ds.Labels)); % 这句话是前面没有的，目的是取类别数。numel表示取数组的元素数目，categories返回一个字符向量元胞数组，其中包含分类数组的类别。

创建一个修改后的Alexnet
net = alexnet;

layers = net.Layers;

layers(end-2) = fullyConnectedLayer(numClasses);

layers(end) = classificationLayer;

设置训练算法选项
options = trainingOptions(‘sgdm’,‘InitialLearnRate’, 0.001);

执行训练
[flowernet,info] = trainNetwork(trainImgs, layers, options); % flowernet是训练后的网络(具有新的参数)，info是训练信息(包含训练损失、准确率等信息)

使用训练网络去分类测试图像
testpreds = classify(flowernet,testImgs);

4.7 评估性能
4.7.1 评估训练和测试性能
4.7.1.1 任务1：画出训练损失(位于info的TrainingLoss中)

load pathToImages

load trainedFlowerNetwork flowernet info

plot(info.TrainingLoss)

4.7.1.2 任务2：分类图像

dsflowers =imageDatastore(pathToImages,‘IncludeSubfolders’,true,‘LabelSource’, ‘foldernames’);

[trainImgs,testImgs] = splitEachLabel(dsflowers,0.98);

flwrPreds = classify(flowernet,testImgs)

4.7.2 调查测试性能
4.7.2.1 任务1：提取测试数据集的标签

load pathToImages.mat

pathToImages

flwrds = imageDatastore(pathToImages,‘IncludeSubfolders’,true,‘LabelSource’, ‘foldernames’);

[trainImgs,testImgs] = splitEachLabel(flwrds,0.98);

load trainedFlowerNetwork flwrPreds

flwrActual = testImgs.Labels % trainImgs,testImgs是对数据存储进行划分得到的，所以它们具有数据存储的相关属性

4.7.2.2 任务2：计算正确个数

numCorrect = nnz(flwrActual == flwrPreds) % nnz函数返回的是矩阵非零元素的数目，flwrActual == flwrPreds将得到一个0-1矩阵

4.7.2.3 任务3：计算正确率

fracCorrect = numCorrect/numel(flwrPreds) % 就是正确个数除以测试数据的个数

上面的计算有些麻烦，先改写为：

mean(flwrActual == flwrPreds)

4.7.2.4 任务4：显示预测分类的混淆矩阵

混淆矩阵又称误差矩阵，矩阵中的元素(j,k)表示第j个类被预测为第k个类的数目，主对角线的元素表示正确预测，其余元素表示误分类。

confusionchart(knownclass,predictedclass) % 第一个参数为已知类，即flwrActual；第二个参数为预测类，即flwrPreds

————————————————
版权声明：本文为CSDN博主「saw009」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/saw009/article/details/85081808
————————————————
版权声明：本文为CSDN博主「saw009」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/saw009/article/details/85081808