matlab在图像识别（深度学习神经网络）中的使用（转）

前言：
1）图像识别用途甚广，解决的算法之一，是深度学习神经网络。matlab近几个版本，对这块的语法修改较多，总体而言，用户用起来更方便了；
2）这里以2018a版本为例，做一些粗略的说明。

1.概念说明

1）图像识别：图像识别是目的，具体而言，输入一张图片，输出一个字符串或数字。例如输入一张狗图片，输出狗的品种，这是典型典型的字符串输出，属于图像识别中的分类。输入一张花朵的照片，输出花瓣的个数，这是典型的数字输出，属于图像识别中的回归。

2）人工神经元：任何一篇介绍神经网络的文章都会给出详细的说明，这里不再重复，只说明一个注意点，就是神经元的输入。神经元的输入一般可以写成多个1*1的数，也就可以写成一个向量，但图像识别中，神经元的输入很可能是图片，而图片相当于矩阵，因此实际中可以认为，把矩阵拉开成向量，即reshape后作为输入。

3）神经网络：多个神经元组合在一起的网络，当然，一般还可以加如其他的元件，比如卷积、池、归一化等等。

4）深度学习：这个概念要分成两个来看。深度，说的是神经网络及其附属元件的层数，这个数越大，就说明整个网络越深，也就越复杂。学习，说的是神经网络中各元件参数（权重）的确定方法，并不是解方程计算或者瞎猜或者推导，而是通过自主学习的方式。学习，就是给一堆样本的意思。

2.神经网络训练

2.1核心代码

神经网络训练的核心代码只有两条，分别对于图像识别中的分类和回归，分别是：

分类：net = trainNetwork(imdsTrain,layers,options);

回归：net = trainNetwork(XTrain,YTrain,layers,options);

其中，net自然就是训练的结果，layers是神经网络的结构，options是训练方法，其他的是样本数据

2.2神经网络结构

神经网络的结构是按照层来区分的，比如第一层输入层，最后一层输出层，中间有神经元层，卷积层，池层等等。而在matlab中构建这些层可以说是非常简单了，只要layers=[lay1 lay2 lay3]一直下去即可。其中layi的定义方式，可以参考帮助文档中Neural Network Toolbox Functions - By Category里面Deep Learning Training from Scratch目录下，所有带layer的函数。比如lay1=imageInputLayer()就定义了第一层为图像输入层，当然括号里应该有一些信息，比如输入图像的大小，黑白或彩色信息。

2.3样本数据

对分类神经网络而言，虽然软件提供了很多导入样本的方法，但真正便利的其实就一种：

1）把图片按类存放在不同的文件夹下，比如“狗”文件夹下放一堆狗的图片，“猫”文件夹下放一堆图片，并把“猫”、“狗”这样的东西作为文件夹的名字；

2）把这些文件夹放在同一个文件夹下；

3）代码：imds = imageDatastore(最外层文件夹名, ‘IncludeSubfolders’,true,‘LabelSource’,‘foldernames’);

4）对图片大小不统一之类的，处理略复杂，可以借用imageDatastore的readfcn来完成。

对回归神经网络而言，我没有找到特别的导入方式，基本上XTrain,YTrain都是数值矩阵，其中：

1）XTrain为4维矩阵，size(XTrain)=[输入图片宽度, 输入图片高度, 1或者3, 样本个数]，其中1表示黑白，3表示彩色

2）YTrain为一维向量，size(YTrain)=[样本数个, 1]

2.4训练方法

options的调试，可能是世上最难的了，能调试的东西，基本都是后验的，只能依靠经验。

3.神经网络的使用

训练后，我们获得了net，调用方法相当死板

分类：Ynew = classify(net,imdsnew);

回归：Ynew = predict(net,Xnew);

当然，有时候，我们并不需要自己训练net，拿别人训练好的来玩玩也是不错的，这方面，软件提供了一些知名的网络：alexnet，vgg16，vgg19，googlenet，resnet50等等，通过add on搜索并安装即可使用。

4.后序

matlab提供了很方便的调用方式，但如何调用，如何安排神经网络的结构，如何准备和分配样本，如何设定学习过程与参数调试，这就是人脑的事情了。

https://www.ilovematlab.cn/blog-465733-133.html