matlab卷积神经网络代码（Matlab深度学习入门实例:从0搭建卷积神经网络CNN（附完整代码））

网上已具有大量卷积神经网络的讲解            ，故本文不在对此赘述
  
 
  
 
  
 
  
 
  
 
  
 ，这篇文章针对已了解CNN基础结构和原理者











，以一个例子搭建一个简单的卷积神经网络 
  
  
  
  
  
 ，作为正式迈入深度学习的第一步            。

我们以深度学习最经典的案例——手写数字的识别
  
  
  
  
  
  ，和一种经典的CNN——LeNet进行本次学习
  
 
  
 
  
 
  
 
  
 
  
 。

Matlab的功能十分强大
 


 


 


 


 


 

，其自带的深度学习工具箱可以使我们免于编写底层算法 
 
 
 
 
 
，迅速地搭建出一个卷积神经网络
   
   
   
   
   
   ，同时
 

 

 

 

 

 
，其自带手写数字图片以供学习 

 

 

 

 

 

，地址如下            ，笔者使用的是Matlab2022a











。

我们将DigitDataset拷贝到当前编写代码的文件夹下

 
 

 
 

 
 

 
 

 
 

 
 ，并删除其中包含两个Excel即可得到下列图片 
  
  
  
  
  
 。

 第一步











，加载手写数字样本图片                  ，代码如下：

clear clc % 第一步：加载手写数字样本 imds = imageDatastore( ... DigitDataset, ... IncludeSubfolders,true, ... LabelSource,foldernames);

IncludeSubfolders,true：包含每个文件夹中的所有文件和子文件夹；

LabelSource,foldernames：根据文件夹名称分配标签并储存在Labels属性中
  
  
  
  
  
  。

第二步
 
 
 
 
 
 
 
 
 
 
 
 ，将样本划分为训练集和测试集

















，并统计分类数量            ，代码如下：

% 第二步： % 将样本划分为训练集与测试集 [imdsTrain,imdsValidation] = splitEachLabel(imds,0.7); % 统计训练集中分类标签的数量 numClasses = numel(categories(imdsTrain.Labels));

imdsTrain为训练样本数据
  
 
  
 
  
 
  
 
  
 
  
 ，imdsValidation为验证样本数据











，0.7为训练样本的比例
 


 


 


 


 


 

。

第三步 
  
  
  
  
  
 ，构建LeNet并进行可视化分析
  
  
  
  
  
  ，代码如下：

% 第三步：构建LeNET卷积网络并进行分析 % 构建LeNET卷积网络 LeNET= [ imageInputLayer([60 20 1],Name,input,Normalization,zscore) convolution2dLayer([5 5],6,Padding,same,Name,Conv1) maxPooling2dLayer(2,Stride,2,Name,Pool1) convolution2dLayer([5 5],16,Padding,same,Name,Conv2) maxPooling2dLayer(2,Stride,2,Name,Pool2) convolution2dLayer([5 5],120,Padding,same,Name,Conv3) fullyConnectedLayer(84,Name,fc1) fullyConnectedLayer(numClasses,Name,fc2) softmaxLayer( Name,softmax) classificationLayer(Name,output) ]; % 对构建的网络进行可视化分析 lgraph = layerGraph(LeNET); analyzeNetwork(lgraph)

由于手写数字图片大小为60*20*1
 


 


 


 


 


 

，故需调整输入层大小；

LeNet结构如下：

第一个卷积层：卷积核大小为5 
 
 
 
 
 
，数量为6
   
   
   
   
   
   ，卷积方式为0填充；

第一个池化层：二维最大池化
 

 

 

 

 

 
，区域为2 

 

 

 

 

 

，步长为2；

第二个卷积层：卷积核大小为5            ，数量为16

 
 

 
 

 
 

 
 

 
 

 
 ，卷积方式为0填充；

第二个池化层：二维最大池化











，区域为2                  ，步长为2；

第三个卷积层：卷积核大小为5
 
 
 
 
 
 
 
 
 
 
 
 ，数量为12

















，卷积方式为0填充；

第一个全连接层：输出大小为84；

第二个全连接层：输出大小为numClasses;

softmax层：得出全连接层每一个输出的概率；

classfication层：根据概率确定类别 
 
 
 
 
 
。

analyzeNetwork可以使我们对网络进行可视化分析            ，该代码运行结果如下图：

第四步
  
 
  
 
  
 
  
 
  
 
  
 ，调整训练集和输入集的图像大小使其与LeNet输入层相同











，代码如下：

% 第四步：将训练集与验证集中图像的大小调整成与LeNet输入层的大小相同 inputSize = [60 20 1]; augimdsTrain = augmentedImageDatastore(inputSize(1:2),imdsTrain); augimdsValidation = augmentedImageDatastore(inputSize(1:2),imdsValidation);

该步骤在此例中可以省略
   
   
   
   
   
   。

第五步：配置训练选项并对网络进行训练 
  
  
  
  
  
 ，代码如下：

% 第五步：配置训练选项并对网络进行训练 % 配置训练选项 options = trainingOptions(sgdm, ... InitialLearnRate,0.001, ... MaxEpochs,3, ... Shuffle,every-epoch, ... ValidationData,augimdsValidation, ... ValidationFrequency,30, ... Verbose,true, ... Plots,training-progress); % 对网络进行训练 net = trainNetwork(augimdsTrain,LeNET,options);

训练选项如下：

训练方法为sgdm;

初始学习率为0.001；

最大轮数为3；

Shuffle,every-epoch: 在每一轮训练前打乱数据；

训练期间所用数据为augimdsValidation;

验证频率为30次/轮；

设置打开命令窗口输出；

设置打开训练进度图
 

 

 

 

 

 
。

我们可以看到训练进度如下图：

第六步：将训练好的网络用于对新的输入图像进行分类
  
  
  
  
  
  ，并计算准确率

% 第六步：将训练好的网络用于对新的输入图像进行分类
 


 


 


 


 


 

，并计算准确率 YPred = classify(net,augimdsValidation); YValidation = imdsValidation.Labels; accuracy = sum(YPred == YValidation)/numel(YValidation) figure confusionchart(YValidation,YPred)

confusionchart可以产生混淆矩阵 
 
 
 
 
 
，以便我们更直观的看出LeNet验证的结果 

 

 

 

 

 

。

可以看到预测结果准确度比较低
   
   
   
   
   
   ，对此我们可以对LeNet进行改进
 

 

 

 

 

 
，增加卷积 

 

 

 

 

 

，池化层或者使用更高级的AlexNet等神经网络进行训练            ，本例全部代码如下：

clear clc % 第一步：加载手写数字样本 imds = imageDatastore( ... DigitDataset, ... IncludeSubfolders,true, ... LabelSource,foldernames); % 第二步： % 将样本划分为训练集与测试集 [imdsTrain,imdsValidation] = splitEachLabel(imds,0.7); % 统计训练集中分类标签的数量 numClasses = numel(categories(imdsTrain.Labels)); % 第三步：构建LeNET卷积网络并进行分析 % 构建LeNET卷积网络 LeNET= [ imageInputLayer([60 20 1],Name,input,Normalization,zscore) convolution2dLayer([5 5],6,Padding,same,Name,Conv1) maxPooling2dLayer(2,Stride,2,Name,Pool1) convolution2dLayer([5 5],16,Padding,same,Name,Conv2) maxPooling2dLayer(2,Stride,2,Name,Pool2) convolution2dLayer([5 5],120,Padding,same,Name,Conv3) fullyConnectedLayer(84,Name,fc1) fullyConnectedLayer(numClasses,Name,fc2) softmaxLayer(Name,softmax) classificationLayer(Name,output) ]; % 对构建的网络进行可视化分析 lgraph = layerGraph(LeNET); analyzeNetwork(lgraph) % 第四步：将训练集与验证集中图像的大小调整成与LeNet输入层的大小相同 inputSize = [60 20 1]; augimdsTrain = augmentedImageDatastore(inputSize(1:2),imdsTrain); augimdsValidation = augmentedImageDatastore(inputSize(1:2),imdsValidation); % 第五步：配置训练选项并对网络进行训练 % 配置训练选项 options = trainingOptions( ... sgdm, ... InitialLearnRate,0.001, ... MaxEpochs,3, ... Shuffle,every-epoch, ... ValidationData,augimdsValidation, ... ValidationFrequency,30, ... Verbose,true, ... Plots,training-progress); % 对网络进行训练 net = trainNetwork(augimdsTrain,LeNET,options); % 第六步：将训练好的网络用于对新的输入图像进行分类

 
 

 
 

 
 

 
 

 
 

 
 ，并计算准确率 YPred = classify(net,augimdsValidation); YValidation = imdsValidation.Labels; accuracy = sum(YPred == YValidation)/numel(YValidation) figure confusionchart(YValidation,YPred)