2021-08-06MATLAB深度学习简单应用

Matlab深度学习的简单实现

​ 该实例源自MATLAB的官方学习课程中的《深度学习入门之旅》的课后练习项目，对已给的“显微镜下蛔虫图像”进行训练，最后识别出dead or alive。

​ 课程官网链接：https://matlabacademy.mathworks.com/cn

1.准备部分

• 练习项目的数据集所需的数据集及标签链接：https://pan.baidu.com/s/1wWWTgGMDqJgEEhOGbDzERA 提取码：dp9m
• MATLAB中有关深度学习的网络可能需要自己去 附加功能资源管理器 安装。

图1 MATLAB附加功能资源管理器

2.具体实现

1. 导入数据集。

   wormds = imageDatastore('Roundworms\WormImages');
   

   ​ MATLAB中的imageDatastore 函数用来创建一个数据集合存储，指定文件夹名称或者文件名，这样可以批量引入多个文件。

   此处导入数据集中的显微镜蛔虫图像。

   montage(wormds);
   

   ​ 然后可以用montage来预览批量导入的图像，如下图所示：

图2 montage函数下的WormImages

2. 标注数据集

   lifelabel = readtable('Roundworms\WormData.csv');
   wormds.Labels = categorical(lifelabel.Status);
   

   ​ 训练所需的标签，一般存储在图像存储集合（wormds）中的Labels属性，将.csv表格文件中的图像分类结果读入，并作为图像标签；

图3 部分标签worm.Labels

3. 拆分 & 训练数据

   % 80%的数据用来训练，20%用来测试 （随机）
   [wormTrain,wormTest] = splitEachLabel(wormds,0.8,'randomized');
   

   ​ splitEachLabel(images,n,'randomized') 函数可以将一个数据集合分成两部分，这样可以一部分图片作为训练集，另一部分作为测试集。其中n如果是(0,1)范围，则表示百分比；如果是整数，则直接代表确切数量。

   ​ randomized 是一个随机排序的方法，因为 splitEachLabel 本身默认保持文件有序，可以添加随机标志来实现随机排序。

4. 调整神经网络

   ​ AlexNet由2012年的ImageNet冠军Hinton及其学生Alex Krizhevsky设计的一种卷积网络框架。 这次练习利用“迁移学习”的概念对其进行改动，调整网络层（network layers）、训练数据（training data）、训练选项（training options）等要素。

   

   图4 AlexNet网络结构图

   net = alexnet;
   ly = net.layers;	%用ly表示网络的各个层
   inputlayer = ly(1);
   outlayer = ly(end);
   categoryname = outlayer.Classes;
   

   ​ 也可以通过MATLAB的附加资源管理器下载如GoogleNet等其他神经网络。

   ​ AlexNet输入为227x227x3，可以查看输入层的 InputSize 属性来了解一个网络的输入大小要求，也可以通过 size() 函数查看数据集中的图像尺寸，来验证是否需要预处理调整尺寸。

   ​ 前馈网络在MATLAB中以一个层数组来表示，方便进行索引和调整更改。

   %修改网络参数
   %2个标签 创建一个新的全连接层
   fclayer = fullyConnectedLayer(2);	
   %用新层替换原有的最后一个全连接层
   ly(23) = fclayer;					
   %用classificationLayer函数为图像分类网络构建一个新的输出层
   ly(end) = classificationLayer;		
   

5. 设置训练选项

   ​ 通常改动的训练选项包括：

   • **Batch Size：**每步训练的数据量；
   • **Max Iterations：**最大迭代次数；
   • **Learning Rate：**学习率；

   %opts = trainingOptions('sgdm','Name',value)
   opts = trainingOptions('sgdm','InitialLearnRate',0.001);
   

   ​ 创建一个包含动态随机梯度下降 SGDM 优化器的训练算法变量 opts 其中batch size和max iterations都使用默认，因为数据量少，训练的速度比较快，学习率可以先设的低一点，0.001。

6. 输入数据，执行训练

   ​ 由于本身的WormImages尺寸并不完全是AlexNet所要求的‘227x227x3’，即尺寸为227x227的RGB图像，因此我们需要进行一下调整，否则使用net进行训练和预测时会报错。

   audsTrain = augmentedImageDatastore([227 227],wormTrain,'ColorPreprocessing','gray2rgb');
   audsTest = augmentedImageDatastore([227 227],wormTest,'ColorPreprocessing','gray2rgb');
   

   ​ 在第3步中我将原有的数据集拆分成了wormTrain和wormTest两部分，且后面都会用到，所以都进行预处理。ColorPreprocessing 属性可以将灰度图转化为三维数组。

   ​ 完成对图像的预处理后，输入调整好的网络执行训练：

   [wormnet,info] = trainNetwork(audsTrain,ly,opts);
   

   ​ 放入训练数据、网络、训练选项。

   图5 训练信息

7. 性能评估

   ​ 第6步中的训练部分获得了结构体 info ，这里面包含了三个训练信息：TrainingLoss(损失率)、TrainingAccuracy(准确率)、BaseLearnRate(学习率)。

   ​ 我们可以绘制损失率和准确率的图像来观察训练效果。

   图6 TrainingAccuracy和TrainingLoss图像

   ​ 从准确率和损失率看起来，网络的性能很好，接下来要验证在真实数据上的表现：

   wormpreds = classify(wormnet,audsTest);
   

   ​ 将6中训练好的网络wormnet 用来对准备好的测试集 audsTest 进行测试，并将结果存在wormpreds 中。

   wormactual = wormTest.Labels;	%已知的分类存储在测试集的Label标签属性中；
   num_correct = nnz(wormpreds == wormactual);		%预测正确的数量；
   pencent_correct = num_correct/numel(wormpreds);		%预测正确百分比；
   confusionchart(wormactual,wormpreds);		%预测结果的混淆矩阵；
   

   ​ nnz 函数可以确定一个非零矩阵中元素的数目，可以用来比较有多少个预测值与真实值相匹配。

   ​ confusionchart 函数可以计算并显示预测分类的混淆矩阵：

   confusionchart(knownclass,predictedclass)；
   

   ​ 它会绘制一个横、纵轴标签相同的矩阵，横轴为预测值，纵轴为真实值，因此在对角线上的元素代表正确分类，非对角线上的元素代表误分类。最终绘制结果如下图所示：

图7 预测结果的混淆矩阵

​ 因为原始数据WormImages中共93个图像，在第3步拆分中，我将其中的80%（74个图像）用作训练集，20%（19个）图像作 为测试集。从图7混淆矩阵结果可以看出，网络对19个测试图像进行了准确的分类。

8. 完整代码（网盘下载的压缩包中有官方的代码，它用的是另一个网络，但方法和原理都是一样的）。

%深度学习课程检验

%1.构建数据集
wormds = imageDatastore('Roundworms\WormImages');

%1.1标注
lifelabel = readtable('Roundworms\WormData.csv');
wormds.Labels = categorical(lifelabel.Status);

%display images
%montage(wormds);

%1.2处理数据集
%60%的数据用来训练，40%用来测试 （随机）
[wormTrain,wormTest] = splitEachLabel(wormds,0.8,'randomized');

%1.3网络
net = alexnet;
ly = net.Layers;
inputlayer = ly(1);
outlayer = ly(end);
categoryname = outlayer.Classes;

%图像大小
%expectsz = inputlayer.InputSize;

%1.4图像预处理
% img1 = imread('Roundworms\WormImages\wormA01.tif');
% imshow(img1);
% img1_sz = size(img1);
% img1= imresize(img1,[227 227]);
% imshow(img1);

%1.5图像批量处理
%灰度图转为三维rgb图像
audsTrain = augmentedImageDatastore([227 227],wormTrain,'ColorPreprocessing','gray2rgb');
audsTest = augmentedImageDatastore([227 227],wormTest,'ColorPreprocessing','gray2rgb');

%1.6研究预测
% [preds,scores] = classify(net,audsTrain);

% %预测分数图像绘制
% highscores = scores > 0.01;
% bar(scores(highscores));

%1.7修改网络
fclayer = fullyConnectedLayer(2);
ly(23) = fclayer;
ly(end) = classificationLayer;

%1.8设置训练选项
opts = trainingOptions('sgdm','InitialLearnRate',0.001);

%1.9性能评估
[wormnet,info] = trainNetwork(audsTrain,ly,opts);

%损失率
trainingloss = info.TrainingLoss;
trainingAccu = info.TrainingAccuracy;
subplot(2,1,1);
plot(trainingAccu,'r');
legend('Accuracy');title('TrainingAccuracy');
xlabel('Batch(s)');ylabel('Accuracy(%)')
grid on;
subplot(2,1,2);
plot(trainingloss);title('TrainingLoss');
xlabel('Batch(s)');ylabel('Loss(%)')
legend('Loss');
grid on;

%真实数据验证
wormpreds = classify(wormnet,audsTest);

wormactual = wormTest.Labels;
num_correct = nnz(wormpreds == wormactual);
pencent_correct = num_correct/numel(wormpreds);
confusionchart(wormactual,wormpreds);

9. 参考

• [1] MATLAB深度学习入门之旅