matlab卷积神经网络的创建与图片识别
1、Deep Network Designer工具箱使用介绍
2、神经网络的GPU训练
3、预测与分类
一、Deep Network Designer工具箱使用介绍
相比BP、GRNN、RBF、NARX神经网络的简单结构，深度神经网络结构更加复杂，比如卷积神经网络CNN，长短时序神经网络LSTM等，matlab集成了深度学习工具箱，可输入如下指令调用：
Deep Network Designer
可以使用别人的网络架构也可以自己创建，点击“空白网络”创建。如下图最左侧是常用的各种网络层，可根据文献上的网络结构或者自己设计的结构任意组合，具体模块参数双击进行设计，前提是网络数据维度没有错误。如图所示，为作者创建的用于RGB图像分类的卷积神经网络CNN结构，具体设计过程后续出。构建完成，点击“分析”可查看是否有错误，无错误之后可通过“导出”得到网络架构的代码即layers。
layers = [
imageInputLayer([120 160 3],"Name","imageinput") %输入相机帧
convolution2dLayer([3 3],15,"Name","conv_1","Padding","same") %卷积层
reluLayer("Name","relu_1")
averagePooling2dLayer([2 2],"Name","avgpool2d_1","Stride",[2 2]) %平均池化层
convolution2dLayer([3 3],15,"Name","conv_2","Padding","same") %卷积层
reluLayer("Name","relu_2")
averagePooling2dLayer([2 2],"Name","avgpool2d_2","Stride",[2 2]) %平均池化层
convolution2dLayer([3 3],12,"Name","conv_3","Padding","same") %卷积层
reluLayer("Name","relu_3")
averagePooling2dLayer([2 2],"Name","avgpool2d_3","Stride",[2 2]) %平均池化层
dropoutLayer(0.3,"Name","dropout_2") %随机失活，失活率为30％
fullyConnectedLayer(256,"Name","fc_1","WeightL2Factor",6) %全连接层
reluLayer("Name","relu_4")
dropoutLayer(0.3,"Name","dropout_1") %随机失活，失活率为30％
fullyConnectedLayer(20,"Name","fc_2","WeightL2Factor",6) %全连接层
softmaxLayer("Name","softmax")
classificationLayer("Name","classoutput")]; %输出层创建一个m程序，将此代码复制进去。
二、神经网络的GPU训练
网络构建好以后，就是编写训练的代码，主要过程分为：读取数据集、归一化（可有可无）、划分训练集与测试集、反归一化（可有可无）、训练配置与训练。作者此处给出图像分类的代码，详细过程可见代码注释。
%% 工具箱导出的网络结构
layers = [
imageInputLayer([120 160 3],"Name","imageinput")
convolution2dLayer([3 3],15,"Name","conv_1","Padding","same")
reluLayer("Name","relu_1")
averagePooling2dLayer([2 2],"Name","avgpool2d_1","Stride",[2 2])
convolution2dLayer([3 3],15,"Name","conv_2","Padding","same")
reluLayer("Name","relu_2")
averagePooling2dLayer([2 2],"Name","avgpool2d_2","Stride",[2 2])
convolution2dLayer([3 3],12,"Name","conv_3","Padding","same")
reluLayer("Name","relu_3")
averagePooling2dLayer([2 2],"Name","avgpool2d_3","Stride",[2 2])
dropoutLayer(0.3,"Name","dropout_2")
fullyConnectedLayer(256,"Name","fc_1","WeightL2Factor",6)
reluLayer("Name","relu_4")
dropoutLayer(0.3,"Name","dropout_1")
fullyConnectedLayer(20,"Name","fc_2","WeightL2Factor",6)
softmaxLayer("Name","softmax")
classificationLayer("Name","classoutput")];
%% 读取数据集
digitDatasetPath=fullfile('.\'); %打开数据集文件夹路径
% 注释：此路径下放有30个文件夹，每个文件夹为一个类别，每个文件夹里面有等数量的图片，这些图片都已经预处理。
imds=imageDatastore(digitDatasetPath,...
'IncludeSubfolders',true,'LabelSource','foldernames'); %读取图片数据集，标签Label设置为文件名。
% 注释：每个文件夹的名字即为分类的类别标签
%% 划分数据集（训练集和验证集）
numTrainFiles=round(2/3*30); % 20为类别文件夹数量，测试集作者放在另外的地方，训练时候只需要训练集和验证集。
[imdsTrain,imdsValidation]=splitEachLabel(imds,numTrainFiles,'randomize'); % 随机划分每类文件夹下的训练集和验证集
%若数据图片大小与网络输入不一样，可通过下面三行代码处理。若相同可去掉此三行代码
inputSize=layers(1).InputSize; %读取网络输入层的输入图像的大小尺寸
imdsTrain=augmentedImageDatastore(inputSize(1:2),imdsTrain); %整合训练集的尺寸1与inputSize的第一二个维度相同。
augimdsValidation=augmentedImageDatastore(inputSize(1:2),imdsValidation);
%% 训练配置
ExecutionEnvironment='gpu'; %此处设置用GPU或者CPU训练，建议GPU快
%具体一些需要改动的配置说明，可以上matlab官网查看trainingOptions函数文档
options_train=trainingOptions('sgdm',...
'MaxEpochs',100,... % 训练轮数为65次
'InitialLearnRate',0.0001,... %初始学习率
'Verbose',true,'MiniBatchSize',10,...
'LearnRateSchedule','piecewise',...
'LearnRateDropFactor',0.6,...
'LearnRateDropPeriod',5,...
'Plots','training-progress',...
'ValidationData',augimdsValidation,...
'ValidationFrequency',10,...
'ExecutionEnvironment',ExecutionEnvironment);
net=trainNetwork(imdsTrain,layers,options_train); %开始训练
save('train.mat'); %保存训练完的网络模型为train.mat。三、预测与分类
此处我们是属于分类任务，所以在第一步创建网络最后一层模块是分类块，如果是数据回归即数据预测则不同，本文不详细说明。下面给出利用已训练好的网络模型进行分类的代码。再创建一个m程序用来放分类的代码：
load('train.mat'); %先下载同一文件夹下之前训练好的模型
x=imread('1.jpg'); %读取一张事先准备好的图片1，命名为x
YPred=classify(net,x); %用训练好的网络net对x进行分类识别 ，分类结果为YPred
sprintf('测试结果为%s',YPred) 将结果YPred显示。注意这个YPred是一个奇怪的数据类型categorical
%为了后续GUI界面的方便使用，作者的数据集名字即类别lable都是数字哦
%下面就是将categorical数据类型转化为矩阵mat类型，命名为nn。
M=string(YPred);
nn=double(M);结语
读者可能需要一些图片的预处理和数据增强，视频帧读取，GUI的网络嵌入与端到端识别等程序，可以参考其他博主的文章，作者后续闲暇之余有可能会出相关博客。本文神经网络和识别的一些原理算法，后续博客直接给出本科毕设论文以供参考。