目錄
一、理論基礎(chǔ)
二、核心程序
三、測試結(jié)果
一、理論基礎(chǔ)
? ? ? ? 卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Networks），是深度學(xué)習（deep learning）的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習（representation learning）能力，能夠按其階層結(jié)構(gòu)對輸入信息進行平移不變分類（shift-invariant classification），因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)（Shift-Invariant Artificial Neural Networks, SIANN）” ?。
? ? ? ?對卷積神經(jīng)網(wǎng)絡(luò)的研究始于二十世紀80至90年代，時間延遲網(wǎng)絡(luò)和LeNet-5是最早出現(xiàn)的卷積神經(jīng)網(wǎng)絡(luò)；在二十一世紀后，隨著深度學(xué)習理論的提出和數(shù)值計算設(shè)備的改進，卷積神經(jīng)網(wǎng)絡(luò)得到了快速發(fā)展，并被應(yīng)用于計算機視覺、自然語言處理等領(lǐng)域?。
? ? ? ?卷積神經(jīng)網(wǎng)絡(luò)仿造生物的視知覺（visual perception）機制構(gòu)建，可以進行監(jiān)督學(xué)習和非監(jiān)督學(xué)習，其隱含層內(nèi)的卷積核參數(shù)共享和層間連接的稀疏性使得卷積神經(jīng)網(wǎng)絡(luò)能夠以較小的計算量對格點化（grid-like topology）特征，例如像素和音頻進行學(xué)習、有穩(wěn)定的效果且對數(shù)據(jù)沒有額外的特征工程（feature engineering）要求?。
定義：采用監(jiān)督方式訓(xùn)練的一種面向兩維形狀不變性識別的特定多層感知機?。
? ? ??CNN是在目標識別領(lǐng)域應(yīng)用及其廣泛的一種網(wǎng)絡(luò)模型，其通過卷積運算來實現(xiàn)對圖像特征的提取，避免了傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)需要單獨設(shè)計特征提取的環(huán)節(jié)。CNN的結(jié)構(gòu)主要包括conv卷積層、pool池化層，Activation激活層以及FC全連接層，其具體如下圖所示：
如圖1所示的，當圖像輸入到CNN中時，首先進入卷積層，卷積層是CNN中最
? ? ? ?重要的一個網(wǎng)絡(luò)層。在卷積計算過程中，將輸入的圖像和一系列大小不一的卷積核函數(shù)進行卷積運算得到特征圖。卷積層越多，那么通過卷積可以提取到的圖像特征圖譜的特征則更深入。卷積層的計算結(jié)果和卷積核大小、數(shù)量以及補零數(shù)量等參數(shù)相關(guān)。假設(shè)輸入圖像的維度為120*120，卷積核大小為7*7，卷積步進為1，那么通過卷積層只有，圖像維度將變?yōu)?14*114。
? ? ? ?完成卷積運算之后，數(shù)據(jù)將進入池化層，池化層的功能等同于采樣過程，其基本操作流程如圖2.2所示。
? ? ? ?從圖2可知，池化層可以分為兩種類型，均值池化的過程是使用一個2×2大小的滑動窗口，計算四個像素的平均值，得到一個原始圖像維度一半的圖像輸出。最大值池化的過程是使用一個2×2大小的滑動窗口，計算四個像素的最大值，得到一個原始圖像維度一半的圖像輸出。通過池化層之后，圖像的維度將變?yōu)?7*57。
? ? ? ?完成池化層之后，數(shù)據(jù)將進入激活層，激活層的功能主要是解決單感知機對于非線性數(shù)據(jù)的分類效果較差的問題。比較常用的激活層函數(shù)為ReLU。
? ? ? ? ? 經(jīng)過多個卷積層運算之后，數(shù)據(jù)將進入全連接層，其主要功能是將卷積后的圖像數(shù)據(jù)映射到特征空間得到特征圖譜，并將特征圖譜和樣本的分類標記進行關(guān)聯(lián)。通過全連接層之后得到全連接層的標志輸出。最后根據(jù)這些標記向量，轉(zhuǎn)換為分類輸出。文章來源：http://www.zghlxwxcb.cn/news/detail-428673.html
二、核心程序
...........................................................
layers = [ ...
imageInputLayer([1 2048 1])%%2D-CNN
convolution2dLayer([1,2],4)
reluLayer
maxPooling2dLayer([1 2],'Stride',2)
convolution2dLayer([1,2],4)
reluLayer
maxPooling2dLayer([1 2],'Stride',2)
fullyConnectedLayer(2)
softmaxLayer
classificationLayer];
.....................................................................
net = trainNetwork(Xtrain,ytrain,layers,options);%網(wǎng)絡(luò)訓(xùn)練
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
X10=rand(100,2048);
X20=20*rand(100,2048);
Xtest1=[X10;X20];
for ii=1:1:200
for jj=1:1:2048
Xtest(1,jj,1,ii)=Xtest1(ii,jj);%%輸入數(shù)據(jù)維度轉(zhuǎn)化
end
end
y10=zeros(100,1);
y20=ones(100,1);
ytest1=[y10;y20];
ytest=categorical(ytest1);%%函數(shù)包要求標簽類型是categorical
YPred = classify(net,Xtest);%%網(wǎng)絡(luò)測試
YPred1 =double(YPred);%%轉(zhuǎn)化為可顯示的標簽
accuracy = sum(YPred == ytest)/numel(ytest)
up108三、測試結(jié)果
文章來源地址http://www.zghlxwxcb.cn/news/detail-428673.html
到了這里，關(guān)于基于MATLAB的CNN卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
