CNN Matlab例子RGB_Matlab中的深度学习——CNN图像分类实例

做模式识别尤其是深度学习的小伙伴，十之八九都在使用Pytorch或Tensorflow完成着自己的idea。确实，如今的主流框架中，python凭借优秀的生态攻城略地，独领风骚。

但是对于很多刚刚入门深度学习的新手，尤其是用惯了Matlab又不熟悉python的小伙伴，并不要求有多么新颖且赶潮流的模型，那么这种情况下，Matlab提供的Deep Learning Toolbox可能就是你的第一选择。

今天咱么侧重实战，一起来学习一个Matlab环境下运用卷积神经神经网络(CNN)实现图像分类的小栗子，力争用最通俗的语言进行解释，闲话不多说，咱直接上干货。

环境要求：Matlab2018a及以上版本(18a版本开始提供Deep Learning Toolbox的工具箱，正式拉开了Matlab进军深度学习领域的序幕)；

数据集：大多图像分类的Benchmark数据集都会使用到MNIST，但是由于使用的实在太多了，以及分类的难度确实不大，所以我们今天分享一个相似的但是难度稍大的数据集，名字叫notMNIST，附上数据集的链接：

http://yaroslavvb.blogspot.com/2011/09/notmnist-dataset.html

作者给出的数据集示例

自己选取部分数据显示的结果

代码部分：

为了尽可能的把demo写的浅显易懂，也为了其他小伙伴可以直接套用此模型来跑自己的数据，我们尽可能地不使用复杂晦涩的函数，努力做到步子小一点，注释多一点。

demo中使用的数据集（下载后和程序放在一个文件夹下，不用改路径，直接运行程序即可）：

链接：https://pan.baidu.com/s/1JnS6yfnoxTNg1d0_atpGHg

提取码：hw89

% 数据集来源：

以上代码主要实现了数据的导入以及数据集的随机划分，未使用一步到位的函数，这样大家就可以在工作区清楚的看到每一步是怎样实现的。这里解释randperm( )函数，其可随机产生一个和样本个数相同数目的序列，例如共有10个样本，那么randperm(10)的结果可能为

8     3    10     5     2     4     1     7     9     6

因此我们使用这个随机序列就可以实现数据集的随机划分，本程序设置训练集数据占50%，验证集数据占30%，测试集数据就占剩余的20%。数据集准备完成后，我们就开始搭建CNN网络

%% 定义网络层

这里定义的CNN网络又1个卷积层、1个池化层和1个全连接层组成，其中还使用了批量归一化操作，当然也可以加入dropout来防止过拟合。至于网络结构的设计就属于“炼丹”的范畴了，没有一个统一的标准，因人而异，需要大家自己慢慢体会了。

下面我们简单介绍没有验证集和有验证集的区别：

没有验证集：

% 参数

大家注意红框的几点，没有验证集合训练过程会迭代到最大迭代步数，并且左侧图像中没有验证集的曲线。这里有一个问题，如果我们遇到复杂的问题，模型中又缺少防止过拟合的操作（批量归一化，dropout，正则化或大数据集都可以防止过拟合），那么最终结果极有可能会出现过拟合，这当然是我们不想出现的情况。因此，如何判断模型训练是否“恰到好处”，我们应该引入验证集帮助我们进行判断。

存在验证集：

% 参数

options 中我们加入了更多的人为设置的参数，这样稍微高级的定义会使得模型训练的更符合你的要求。加入验证集后，我们可以看到训练过程“早停”了，Epoch只迭代了8次模型就训练过程就结束了，原因如绿框内容所示，Patience为5表示：如果5步迭代中验证集的loss都没有减小的话，训练就终止了。在绝大数情况下，这种早停的机制会防止模型过度训练从而出现过拟合的现象。

最终我们使用测试集验证模型的泛化能力即可，相应代码与结果如下

% 测试

测试集分类准确为92.0961%，效果还可以接受。如果你有兴趣，更换模型拓扑结构、优化算法、激活函数等等，可能会得到更好的分类结果。

今天分享的例子大家按照流程一步一步操作，肯定都能跑通，使用Matlab做深度学习适应于于以下人群：

1.熟悉Matlab但不熟悉Python语言的小伙伴；

2.刚刚接触深度学习，想要将理论迅速实现的小伙伴；

3.不需要state-of-art模型的，只需要将经典深度学习模型应用到自己研究领域的小伙伴

其中以上分享的Matlab中深度学习的代码，与Keras很像，都是“搭积木”的形式将模型拼凑起来而已，但是如果真的想进一步深入研究深度学习，或者是对现有模型进行改进创新，那么Matlab中提供的工具包集成度就显得太高了，pytorch或tensorflow或许更合适。但是不过怎么说，Matlab至少在深度学习领域迈出了一大步，可喜可贺。

这个专栏毕竟主要讲时间序列的相关内容，如果大家喜欢，下一步我会继续发布在Matlab环境下使用CNN或LSTM进行时间序列预测的各种demo。

如有问题私聊留言都欢迎，水平有限，如有错误，也请路过的大佬批评指正~~