參考網址：http://www.vlfeat.org/matconvnet/

內容參考博客：http://blog.sina.com.cn/s/blog_92cd3a1c0102x1ch.html

MatConvNet安裝：http://www.vlfeat.org/matconvnet/install/（根據自己的系統配置進行相應的安裝）

摘要

　　MatConvnet是用matlab實現的卷積神經網絡（CNN），該工具箱的設計注重簡潔性和靈活性。它將CNN的構建模塊公開為易于使用的MATLAB函數，提供用于計算帶有濾波器組的線性卷積、特征池化等例程。通過這種方式，MatConvNet可以快速建立新的CNN結構；同時，它支持CPU和GPU上的高效計算，允許在大型數據集（如ImageNet ILSVRC）上訓練復雜模型。本文檔概述了CNN及其在MatConvNet中如何實現，并給出了工具箱中每個計算模塊的技術細節。

第一章 MatConvnet介紹

　　MatConvNet是一個實現卷積神經網絡（CNN）的MATLAB工具箱，用于計算機視覺應用。自從工作[8]的突破，CNNs在計算機視覺領域產生了重大影響，特別是在圖像理解方面，基本上是取代傳統的圖像表示，例如在我們自己的VLFeat [13]中實現的開源庫。

　　雖然大多數CNN是通過組合簡單的線性和非線性濾波操作（例如卷積和整形）來獲得的，但是它們的實現是非常重要的。原因是為了獲得非常有效的實現，CNNs需要從大量的數據中學習，經常是數百萬的圖像。作為大多數CNN庫，MatConvNet通過使用各種優化來實現這一點，主要是通過支持GPU上的計算。

　　除此之外，還有許多其他的機器學習，深度學習和CNN開源庫存在。引用其中一些最受歡迎的：CudaConvNet(https://code.google.com/p/cuda-convnet/)、Torch（http://cilvr.nyu.edu/doku.php?id=code:start）、Theano（http://deeplearning.net/software/theano/）以及caffe（http://caffe.berkeleyvision.org）。這些庫中許多得到很好的支持，有幾十個活躍的貢獻者和大量的用戶基礎。因此，為什么還要創建另外一個庫呢？

　　開發MatConvNet的關鍵動機是為研究人員提供一個特別友好和有效的環境，以便在其調查中使用。MatConvnet通過其在MATLAB環境中的深度集成實現了這一點，這是計算機視覺研究以及許多其他領域最受歡迎的開發環境之一。特別是，MatConvNet公開了簡單的MATLAB命令來實現CNN構建塊，如卷積，歸一化和池化（第4章）；這些塊可以很容易地組合和擴展以創建CNN結構。雖然許多這樣的塊使用用C ++和CUDA編寫的優化的CPU和GPU實現（第1.4節）。 MATLAB本機支持GPU計算意味著通常在MATLAB中直接寫入新的模塊是可能的，同時保持計算效率。與使用低級語言編寫新的CNN組成結構相比，這是一個重要的簡化，可以顯著加速測試新的想法。使用MATLAB還提供了一個到其他領域的橋梁； 例如，MatConvNet最近被亞利桑那大學用于行星科學，如NVIDIA博客網站所述。

　　MatConvNet可以從輸完圖片中學習大的CNN模型，如AlexNet[8]和非常深的網絡[11]。可以從MatConvNet主頁下載這些強大模型的預訓練版本。雖然功能強大，但是MatConvNet仍然很容易使用和安裝。實現是完全獨立的，只需要MATLAB和兼容的C ++編譯器（使用GPU代碼需要免費提供的CUDA開發套件和合適的NVIDIA GPU）。如圖 1.1和第1.1節所示，可以使用三個MATLAB命令下載，編譯和安裝MatConvNet。其中包括了幾個完整功能的示例，演示如何可以學習小型和大型網絡。重要的是，幾個標準的預訓練網絡可以立即下載并在應用程序中使用。該工具箱的完整技術說明手冊也包含在此工具箱中。這些功能使MatConvNet在教育領域也很有用。

　　MatConvNet是根據BSD類似許可證開放源代碼。可從http://www.vlfeat.org/matconvnet以及GitHub上下載。

1.1 開始運行

　　MatConvNet易于安裝和使用。圖1.1提供了一個完整的示例，即使用最新一代的卷積神經網絡來對一張圖片進行分類。該示例包含下載MatConvNet，編譯包，下載一個預訓練的CNN模型，以及在MATLAB的某個庫存圖像上評估該模型。

　　在這個例子中的關鍵命令是vl_simplenn，一個包裝器，它將CNN網絡和預處理圖像im_作為輸入，并產生結果的結構res。該特定封裝可以用于對具有簡單結構，即操作鏈的網絡建模。 檢查vl_simplenn（在MatConvNet中編輯vl_simplenn）的代碼，我們注意到封裝順序地轉換數據，應用網絡配置指定的多個MATLAB函數。 這些函數，在第4章中詳細討論，被稱為“構建塊”，并構成MatConvNet的骨架。

　　雖然大多數塊實現簡單的操作，但使得它們不平凡的是它們的效率（第1.4節）以及支持反向傳播（第2.3節），以允許學習CNN。接下來，我們演示如何直接使用這樣的構建塊之一。 為了示例的目的，考慮使用一組線性濾波器對圖像進行卷積。 首先，通過在MATLAB中讀取圖像，例如使用im = single（imread（'peppers.png'）），獲得H×W×D數組im，其中D = 3是圖像中的顏色通道的數量。 然后使用f = randn（3,3,3,16，'single'）創建一個大小為3×3的K = 16個隨機濾波器組。最后，使用命令y = vl_nnconv（x，f，[]）將圖像與濾波器進行卷積。這產生了具有K個通道的陣列y，濾波器組中的每一個在陣列中都有一個通道。

　　為了鼓勵用戶直接使用塊來創建新的架構，MATLAB提供了封裝，如vl_simplenn用于標準CNN結構，如AlexNet [8]或Network-in-Network [9]。此外，庫提供了許多示例（在examples /子目錄中），包含了在MNIST，CIFAR和ImageNet數據集上學習各種模型的代碼。所有這些示例使用examples / cnn_train訓練代碼，它是隨機梯度下降的實現（第3.3節）。雖然這個訓練代碼是完全可維護的和相當靈活的，它仍然在examples/子目錄，因為它有點問題特定。歡迎用戶對他們的實施優化。

（注：運行下列代碼之前，需按照http://www.vlfeat.org/matconvnet/install/#compiling 所述通過編譯。）

 1 % install and compile MatConvNet (run once)
 2 untar(['http://www.vlfeat.org/matconvnet/download/' ...
 3 'matconvnet-1.0-beta25.tar.gz']) ;
 4 cd matconvnet-1.0-beta25
 5 run matlab/vl_compilenn
 6 
 7 % download a pre?trained CNN from the web (run once)
 8 urlwrite(...
 9 'http://www.vlfeat.org/matconvnet/models/imagenet-vgg-f.mat', ...
10 'imagenet-vgg-f.mat') ;
11 % setup MatConvNet
12 run matlab/vl_setupnn
13 % load the pre?trained CNN
14 net = load('imagenet-vgg-f.mat') ;
15 % load and preprocess an image
16 im = imread('peppers.png') ;
17 im_ = imresize(single(im), net.meta.normalization.imageSize(1:2)) ;
18 im_ = im_ - net.meta.normalization.averageImage ;
19 % run the CNN
20 res = vl_simplenn(net, im_) ;
21 % show the classification result
22 scores = squeeze(gather(res(end).x)) ;
23 [bestScore, best] = max(scores) ;
24 figure(1) ; clf ; imagesc(im) ;
25 title(sprintf('%s (%d), score %.3f',...
26 net.meta.classes.description{best}, best, bestScore)) ; %%注：官方代碼是net.classes.description，需要加上meta

運行結果如下:

1.2 MatConvNet概覽

　　MatConvNet有一個簡單的設計原則。它不是將CNN包裹在軟件的復雜層上，而是開放了直接作為MATLAB命令的計算CNN模塊的簡單函數，例如線性卷積和ReLU操作。這些模塊易于組合成完整的CNN，并且可以用于實現復雜的學習算法。雖然提供了小型和大型CNN結構和預訓練例程的幾個實際例子，但總是可以回到基礎并構建自己的結構，使用MATLAB在原型中的效率。通常不需要C編碼來嘗試新的結構。因此，MatConvNet是計算機視覺和CNNs研究的理想平臺。

　　MatConvNet包含了以下元素：

　　CNN計算塊一組計算CNN的基本模塊的優化例程。例如，卷積模塊是由y = vl_nnconv（x，f，b）實現，其中x是圖像，f是濾波器組，b是偏置矢量（第4.1節）。導數可由[dzdx，dzdf，dzdb] = vl_nnconv（x，f，b，dzdy）計算，其中dzdy是CNN輸出w.r.t y的導數（第4.1節）。第4章詳細描述了所有塊。

　　CNN封裝. MatConvNet提供了一個簡單的封裝，由vl_simplenn調用，其實現具有線性拓撲（塊鏈塊）的CNN。 它還提供了一個更靈活的封裝，支持具有任意拓撲的網絡，封裝在dagnn.DagNN
MATLAB類中。

　　示例應用程序.MatConvNet提供了幾個在MNIST，CIFAR 10和ImageNet數據集上學習具有隨機梯度下降和CPU或GPU的CNN的示例。

　　預先訓練的模型.MatConvNet提供了幾個先進的預訓練的CNN模型，可以使用現成的，以分類圖像或者在Caffe或DeCAF環境中生成圖像編碼。

1.3 文檔和示例

　　有三個關于MatConvNet的主要信息來源：
　　首先，網站包含所有功能的描述和若干例子和教程。
　　第二，有一個PDF手冊，其中包含大量有關工具箱的技術細節，包括對構建塊的詳細數學描述。
　　第三，MatConvNet附有幾個例子（第1.1節）。

　　大多數示例是完全自包含的。例如，為了運行MNIST示例，它支持將MATLAB指向MatConvNet根目錄，并鍵入addpath←examples，后跟cnn_mnist。根據問題的大小，Image
Net ILSVRC示例需要一些更多準備，包括下載和預處理圖像（使用附帶的腳本utils / preprocess-imagenet.sh）。還包括幾個高級示例。例如， 圖1.2說明了top-1和top-5驗證錯誤，因為類似于Alex Net
[8]的模型使用標準dropout正規化或最近的批次標準化技術[3]進行訓練。后者被示為在前者所需的約三分之一的epochs（通過訓練數據）中收斂。

　　MatConvNet網站還包含許多預訓練模型，即在Image Net
ILSVRC上訓練的大型CNN，可以下載并用作許多其他問題的起點[1]。 這些包括：AlexNet
[7]，VGG-S，VGG-M，VGG-S [1]和VGG-VD-16和VGG-VD-19
[11]。圖1.1的示例代碼顯示了一個這樣的模型如何在幾行MATLAB代碼中使用。

1.4 速度

　　效率對于CNN的工作非常重要。 MatConvNet支持使用NVIDIA GPU，因為它包括所有算法的CUDA實現（或依賴于MATLAB CUDA支持）。

　　要使用GPU（假設有合適的硬件可用，并且工具箱已經在GPU支持下編譯），只需要在MATLAB中將參數轉換為gpuArrays，如y = vl_nnconv（gpu Array（x），gpu Array（w），[]）。以這種方式，CPU和GPU之間的切換是完全透明的。 請注意，MatConvNet還可以利用NVIDIA CuDNN庫，具有顯著的速度和空間優勢。

　　接下來，我們評估MatConvNet在Image Net ILSVRC 2012挑戰數據上訓練大型架構時的性能[2]。測試機器是一臺戴爾服務器，配有兩個采用3.30 GHz時鐘頻率的Intel Xeon CPU E5-2667 v2（每個CPU有八個內核），256 GB RAM和四個NVIDIA Titan Black GPU（除非另有說明，否則只使用其中一個） 。實驗使用MatConvNet beta12，Cu DNN v2和MATLAB R2015a。數據被預處理以避免在MATLAB中飛快地重新縮放圖像并存儲在RAM盤中以便更快地訪問。該代碼使用vl_imreadjpeg命令在多個單獨的線程中從磁盤讀取大批量的JPEG圖像。驅動程序examples/ cnn_imagenet.m用于所有實驗。

我們訓練在Image Net ILSVRC第1.3節中討論的模型。表1.1報告了隨機梯度下降處理的每秒圖像數量的訓練速度。 Alex Net以大約264張圖像/ s使用Cu DNN進行訓練，這比使用Cu BLAS的vanilla GPU實現快40％，比使用CPU快10多倍。此外，我們注意到，盡管MATLAB開銷，實現速度與Caffe相當（他們報告Cu DNN和Titan每秒253圖像 - 一個比這里使用的Titan Black略慢的GPU）。還要注意，隨著模型大小的增加，SGD批次的大小必須減小（以適應GPU內存），從而增加了開銷影響。

表1.2報告了使用多個GPU的VGG-VD-16（一個非常大的模型）的速度。在這種情況下，批量大小設置為264個圖像。這些被進一步劃分為22個圖像的子批次，每個圖像適合于GPU存儲器;然后將后者分布在同一機器上的一至四個GPU中。雖然存在大量的通信開銷，但是訓練速度從20個圖像/秒增加到45.解決這個開銷是代碼庫的中期目標之一。

1.5 致謝

　　MatConvNet是一個社區項目，因此感謝所有的貢獻者。我們衷心感謝NVIDIA為此項目提供支持，為我們提供了頂級的GPU和MathWorks，以便持續討論如何改進庫。
在這個庫中的幾個CNN計算的實現靈感來自Caffe庫[6]（然而，并不依賴于Caffe）。 幾個示例網絡已經由Karen
Simonyan作為[1]和[11]的一部分拿來訓練。

總結

以上是生活随笔為你收集整理的Matconvnet笔记（一）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。