【面向代码】学习 Deep Learning（三）Convolution Neural Network CNN

最新推荐文章于 2023-04-20 17:15:41 发布

jjvv更高的

最新推荐文章于 2023-04-20 17:15:41 发布

阅读量132

点赞数

本文链接：https://blog.csdn.net/qq_44943626/article/details/89419118

版权

本文从代码角度解析MATLAB DeepLearnToolbox中的卷积神经网络（CNN）算法，通过cnnsetup、cnntrain等函数探讨CNN的工作流程。文中提到CNN的经典结构，并建议读者预先了解卷积和池化概念。尽管toolbox中的 pooling 层未使用sigmoid激活函数，但依然详细介绍了代码实现过程。最后，提到了Alex Krizhevsky的ImageNet成果，该成果基于2012年的深度卷积神经网络。

摘要由CSDN通过智能技术生成

==========================================================================================

最近一直在看Deep Learning，各类博客、论文看得不少

但是说实话，这样做有些疏于实现，一来呢自己的电脑也不是很好，二来呢我目前也没能力自己去写一个toolbox

只是跟着Andrew Ng的UFLDL tutorial 写了些已有框架的代码(这部分的代码见github)

后来发现了一个matlab的Deep Learning的toolbox，发现其代码很简单，感觉比较适合用来学习算法

再一个就是matlab的实现可以省略掉很多数据结构的代码，使算法思路非常清晰

所以我想在解读这个toolbox的代码的同时来巩固自己学到的，同时也为下一步的实践打好基础

(本文只是从代码的角度解读算法，具体的算法理论步骤还是需要去看paper的

我会在文中给出一些相关的paper的名字，本文旨在梳理一下算法过程，不会深究算法原理和公式)

==========================================================================================

使用的代码：DeepLearnToolbox ，下载地址：点击打开，感谢该toolbox的作者

==========================================================================================

今天是CNN的内容啦，CNN讲起来有些纠结，你可以事先看看convolution和pooling(subsampling)，还有这篇：tornadomeet的博文

下面是那张经典的图：

======================================================================================================

打开\tests\test_example_CNN.m一观

cnn.layers = {    struct('type', 'i') %input layer    struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer    struct('type', 's', 'scale', 2) %sub sampling layer    struct('type', 'c', 'outputmaps'