這是MATLAB關(guān)于Deep Learning 的一個(gè)入門的簡(jiǎn)單的例程

Step1
加載并查看數(shù)據(jù)

digitDatasetPath = fullfile(matlabroot,'toolbox','nnet','nndemos', ...
        'nndatasets','DigitDataset');
digitData = imageDatastore(digitDatasetPath, ...
        'IncludeSubfolders',true,'LabelSource','foldernames');

然后隨機(jī)顯示其中的一部分如下

figure;
perm = randperm(10000,20);
for i = 1:20
    subplot(4,5,i);
    imshow(digitData.Files{perm(i)});
end

圖片.png

Step2.
查看每個(gè)標(biāo)簽的數(shù)量

CountLabel = digitData.countEachLabel;

查看每個(gè)圖片的尺寸大小

img = readimage(digitData,1);
size(img)

ans =

28    28

把數(shù)據(jù)集分為 訓(xùn)練數(shù)據(jù)集 和 測(cè)試數(shù)據(jù)集

trainingNumFiles = 750;
rng(1) % For reproducibility
[trainDigitData,testDigitData] = splitEachLabel(digitData, ...
                trainingNumFiles,'randomize');

Step3.
定義神經(jīng)層，定義卷積網(wǎng)絡(luò)的結(jié)構(gòu)

layers = [imageInputLayer([28 28 1])
          convolution2dLayer(5,20)
          reluLayer
          maxPooling2dLayer(2,'Stride',2)
          fullyConnectedLayer(10)
          softmaxLayer
          classificationLayer()];

Image Input Layer ：圖像輸入層，就是圖像的尺寸，長(zhǎng)寬通道數(shù)，因?yàn)槭呛诎讏D像，通道數(shù)為1，如果為彩色的話，就是3
Convolutional Layer ：卷積層，第一個(gè)參數(shù)是濾波器的尺寸，代表5*5，第二個(gè)參數(shù)是濾波器的個(gè)數(shù)
ReLU Layer：激活函數(shù)的個(gè)數(shù)
Max-Pooling Layer：最大池化層
Fully Connected Layer ：全連接層，和待輸出的標(biāo)簽個(gè)數(shù)一致
Softmax Layer：激活函數(shù)或者分類函數(shù)
Classification Layer：分類函數(shù)

Step4.
指定訓(xùn)練參數(shù)

options = trainingOptions('sgdm','MaxEpochs',15, ...
    'InitialLearnRate',0.0001);

訓(xùn)練數(shù)據(jù)

convnet = trainNetwork(trainDigitData,layers,options);

訓(xùn)練結(jié)果如下

圖片.png

Step5.
分類測(cè)試數(shù)據(jù)集

YTest = classify(convnet,testDigitData);
TTest = testDigitData.Labels;

計(jì)算準(zhǔn)確率

accuracy = sum(YTest == TTest)/numel(TTest);

圖片.png

總結(jié)：

1. 學(xué)習(xí)了幾個(gè)通用函數(shù)的使用方式
   fullfile，用來(lái)構(gòu)造文件路徑
   randperm，取隨機(jī)整數(shù)
   rng，初始化隨機(jī)數(shù)種子

2. 關(guān)于深度學(xué)習(xí)用到的幾個(gè)函數(shù)
   imageDatastore，組建圖像處理數(shù)據(jù)集
   splitEachLabel，標(biāo)簽分類

CNN卷積的一些設(shè)置函數(shù)：
imageInputLayer
convolution2dLayer
reluLayer
maxPooling2dLayer
fullyConnectedLayer
softmaxLayer
classificationLayer

trainingOptions
trainNetwork，訓(xùn)練神經(jīng)網(wǎng)絡(luò)
classify，對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)應(yīng)用用于分類