Matlab平均池化代码,Matlab深度学习——入门

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 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

Matlab 2019b

RTX 2060

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

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 file