人工神经网络matlab啊6,MATLAB人工神经网络教程

深度学习在这些年是非常热门的话题，特别是在计算机视觉应用方面，也许你会在新闻上有所耳闻并感到好奇。那么现在的问题是，该如何入手？今天带来一篇人工神经网络的快速入门教程。

MNIST 数据集

我们当中有许多人想在一个具体的例子中开始入手。那我就写一个手把手快速教程，我们用一个常用的 MINIST 手写数字数据集作为例子以使教程比较直观的、易理解。Kaggle 刚好也在数字识别教程中使用这个数据集。你需要从 “Get the Data” 页面中下载这些数据集：

train.csv – 训练数据

test.csv – 测试数据

当你已经将上述文件下载到当前文件夹时，将训练数据和测试数据都加载进 MATLAB，测试数据用于生成你的提交。

tr = csvread('train.csv', 1, 0); % 读文件 train.csv

sub = csvread('test.csv', 1, 0); % 读文件 test.csv

第一列是数据集中每个样本字符的正确标签，每行一个样本。剩余的列中，每行表示一个28×28的手写字符的图像，所有像素都放在一行中，而不是原本的矩阵格式。如果要使字符可视化，我们需要将这些行重新组织成28×28的矩阵。 reshape 操作是按列进行的，所以除非你需要对数据进行转置，否则可以用 reshape 函数实现这字符的可视化。

figure

% 绘制图像

colormap(gray)

% 设置为灰度图

for i = 1:25

% 查看前25个样本

subplot(5,5,i)

% 在6 x 6的格子中绘制

digit = reshape(tr(i, 2:end), [28,28])'; % 行数据 = 28 x 28 的图像

imagesc(digit)

% 显示图像

title(num2str(tr(i, 1)))

% 显示标签

end

准备数据

你可以使用神经网络工具箱中的模式识别应用nprtool 。这个应用需要两个数据集：

输入 – 一个数值矩阵，列表示样本，行表示特征。该数据集是手写字符的扫描图像；

目标 – 一个0和1的数值矩阵，映射到图像代表的特定标签。该数据集中的值也被称为虚拟变量。神经网络工具箱中希望标签被保存成列而不是行。

标签的取值范围是0到9，但由于MTLAB中的下表是从1开始的，所以我们可以用“10”表示“0”。

1 --> [1; 0; 0; 0; 0; 0; 0; 0; 0; 0]

2 --> [0; 1; 0; 0; 0; 0; 0; 0; 0; 0]

3 --> [0; 0; 1; 0; 0; 0; 0; 0; 0; 0]

:

0 --> [0; 0; 0; 0; 0; 0; 0; 0; 0; 1]

数据集中的样本是按列保存而不是按行保存的，所以你需要对数据进行转置。然后，你需要将数据集分割，保留1/3的数据用作模型评估，仅用2/3的数据来训练我们的人工神经网络模型。

n = size(tr, 1);

% 数据集中的样本数量

targets = tr(:,1);

% 第一列是 |标签|

targets(targets == 0) = 10;

% 用'10' 表示'0'

targetsd = dummyvar(targets);

% 将标签转化为虚拟变量

inputs = tr(:,2:end);

% 剩余的列为预测量

inputs = inputs';

% 转置输入矩阵

targets = targets';

% 转置目标矩阵

targetsd = targetsd';

% 转置虚拟变量

rng(1);

% 消除随机数列的再现性

c = cvpartition(n,'Holdout',n/3); % 保留1/3的数据集

Xtrain = inputs(:, training(c)); % 输入集的2/3用于训练

Ytrain = targetsd(:, training(c)); % 目标集的2/3用于训练

Xtest = inputs(:, test(c));

% 输入集的1/3用于测试

Ytest = targets(test(c));

% 目标集的1/3用于测试

Ytestd = targetsd(:, test(c));

% 虚拟变量的1/3用于测试

使用神经网络工具箱中的图形界面应用(GUI APP)

你可以通过键入命令 nnstart 来打开神经网络的启动图形界面。

进入启动界面后，可以通过单击模式识别工具来打开神经网络模式识别工具。你也可以通过命令 nprtool 来直接打开它。

单击欢迎页面上的“Next”(下一步)，进入“Select Data”(数据选择)界面。

选择Xtrain作为输入，Ytrain为训练目标。