目录
摘要:
1.卷积神经网络介绍:
2.卷积神经网络(CNN)构建与训练:
2.1 CNN的输入图像
2.2 构建CNN网络
2.3 训练CNN网络
3.卷积神经网络(CNN)的实际分类测试:
4.Matlab实验代码:
使用Matlab自带的深度学习工具箱构建卷积神经网络(CNN)进行图片分类,以识别并分类手写数字为例。首先将大量的图片数据导入;然后给不同种类的图片打上对应的分类的标签,划分为训练集和测试集;构建CNN网络其中包括3层2维卷积和3个池化层,全连接层及分类层;调整好输入输出格式对CNN进行训练及测试;最后结果表明CNN可以有效的对手写数字图像进行分类。代码结构简单,注释清晰,可改性强,对新手友好。将数据换成自己的数据即可实现不同的功能。
卷积神经网络 (Convolutional Neural Network,CNN) 这一概念最早由 Yann Lecun 于 20 世纪 80 年代提出,是受到生物神经学中感受野的启发而发展起来的一种前馈神经网络结构模型。其作为一种有监督深度学习算法,端到端的数据处理模式,由于特征提取阶段不需要人工选择,而被广泛应用在各个领域的设备状态监测中。
本文CNN的输入图像如下:为1-9的手写数字,对应分类标签为1-9。
本文构建的CNN结构如下图所示:
定义网络结构体后,指定训练选项。使用具有动量的随机梯度下降 (SGDM) 训练网络,初始学习率为 0.01。将最大训练轮数设置为 4。将数据分为训练集和测试集,对构建好的CNN进行训练,训练过程中的误差曲线如下:
使用经过训练的网络预测验证数据的标签,并计算最终验证准确度。准确度是网络预测正确的标签的比例。在本例中,超过 99% 的预测标签与验证集的真实标签相匹配。
本文仅展示部分代码,需要全部代码点这里:正在为您运送作品详情
clc;
clear;
close all;
%% 导入数据
digitDatasetPath = fullfile(matlabroot,'toolbox','nnet','nndemos', ...
'nndatasets','DigitDataset');
imds = imageDatastore(digitDatasetPath, ...
'IncludeSubfolders',true,'LabelSource','foldernames');
% 图像展示
figure;
perm = randperm(10000,20);
for i = 1:20
subplot(4,5,i);
imshow(imds.Files{perm(i)});
end
%% 数据整理与归一化
labelCount = countEachLabel(imds);% 查看各类图片的数量及对应的分类标签
img = readimage(imds,1); % 设置输入图像的大小
fprintf('输入图像的大小为:');
disp(size(img));
% 指定训练集和测试集合
numTrainFiles = 750; % 指定训练集总共包含750个图像
[imdsTrain,imdsValidation] = splitEachLabel(imds,numTrainFiles,'randomize'); % 将图片与对应的标签分开,即分成输入与输出
%% 网络定义以及训练
[layers,options] = Net_Built(imdsValidation); % 网络结构构建函数
analyzeNetwork(layers); % 可以查看网络的结构,不需要的话直接注释掉
net = trainNetwork(imdsTrain,layers,options); % 训练网络