1、Deep Network Designer工具箱使用介紹

2、神經網絡的GPU訓練

3、預測與分類

一、Deep Network Designer工具箱使用介紹

相比BP、GRNN、RBF、NARX神經網絡的簡單結構，深度神經網絡結構更加復雜，比如卷積神經網絡CNN，長短時序神經網絡LSTM等，matlab集成了深度學習工具箱，可輸入如下指令調用：

Deep Network Designer

可以使用別人的網絡架構也可以自己創建，點擊“空白網絡”創建。如下圖最左側是常用的各種網絡層，可根據文獻上的網絡結構或者自己設計的結構任意組合，具體模塊參數雙擊進行設計，前提是網絡數據維度沒有錯誤。如圖所示，為作者創建的用于RGB圖像分類的卷積神經網絡CNN結構，具體設計過程后續出。構建完成，點擊“分析”可查看是否有錯誤，無錯誤之后可通過“導出”得到網絡架構的代碼即layers。

layers = [imageInputLayer([120 160 3],"Name","imageinput") %輸入相機幀convolution2dLayer([3 3],15,"Name","conv_1","Padding","same") %卷積層reluLayer("Name","relu_1")averagePooling2dLayer([2 2],"Name","avgpool2d_1","Stride",[2 2]) %平均池化層convolution2dLayer([3 3],15,"Name","conv_2","Padding","same") %卷積層reluLayer("Name","relu_2")averagePooling2dLayer([2 2],"Name","avgpool2d_2","Stride",[2 2]) %平均池化層convolution2dLayer([3 3],12,"Name","conv_3","Padding","same") %卷積層reluLayer("Name","relu_3")averagePooling2dLayer([2 2],"Name","avgpool2d_3","Stride",[2 2]) %平均池化層dropoutLayer(0.3,"Name","dropout_2") %隨機失活，失活率為30％fullyConnectedLayer(256,"Name","fc_1","WeightL2Factor",6) %全連接層reluLayer("Name","relu_4")dropoutLayer(0.3,"Name","dropout_1") %隨機失活，失活率為30％fullyConnectedLayer(20,"Name","fc_2","WeightL2Factor",6) %全連接層softmaxLayer("Name","softmax") classificationLayer("Name","classoutput")]; %輸出層

創建一個m程序，將此代碼復制進去。

二、神經網絡的GPU訓練

網絡構建好以后，就是編寫訓練的代碼，主要過程分為：讀取數據集、歸一化（可有可無）、劃分訓練集與測試集、反歸一化（可有可無）、訓練配置與訓練。作者此處給出圖像分類的代碼，詳細過程可見代碼注釋。

%% 工具箱導出的網絡結構 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")]; %% 讀取數據集 digitDatasetPath=fullfile('.\'); %打開數據集文件夾路徑 % 注釋：此路徑下放有30個文件夾，每個文件夾為一個類別，每個文件夾里面有等數量的圖片，這些圖片都已經預處理。 imds=imageDatastore(digitDatasetPath,...'IncludeSubfolders',true,'LabelSource','foldernames'); %讀取圖片數據集，標簽Label設置為文件名。 % 注釋：每個文件夾的名字即為分類的類別標簽 %% 劃分數據集（訓練集和驗證集） numTrainFiles=round(2/3*30); % 20為類別文件夾數量，測試集作者放在另外的地方，訓練時候只需要訓練集和驗證集。 [imdsTrain,imdsValidation]=splitEachLabel(imds,numTrainFiles,'randomize'); % 隨機劃分每類文件夾下的訓練集和驗證集%若數據圖片大小與網絡輸入不一樣，可通過下面三行代碼處理。若相同可去掉此三行代碼 inputSize=layers(1).InputSize; %讀取網絡輸入層的輸入圖像的大小尺寸 imdsTrain=augmentedImageDatastore(inputSize(1:2),imdsTrain); %整合訓練集的尺寸1與inputSize的第一二個維度相同。 augimdsValidation=augmentedImageDatastore(inputSize(1:2),imdsValidation); %% 訓練配置 ExecutionEnvironment='gpu'; %此處設置用GPU或者CPU訓練，建議GPU快 %具體一些需要改動的配置說明，可以上matlab官網查看trainingOptions函數文檔 options_train=trainingOptions('sgdm',...'MaxEpochs',100,... % 訓練輪數為65次'InitialLearnRate',0.0001,... %初始學習率'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); %開始訓練 save('train.mat'); %保存訓練完的網絡模型為train.mat。

三、預測與分類

此處我們是屬于分類任務，所以在第一步創建網絡最后一層模塊是分類塊，如果是數據回歸即數據預測則不同，本文不詳細說明。下面給出利用已訓練好的網絡模型進行分類的代碼。再創建一個m程序用來放分類的代碼：

load('train.mat'); %先下載同一文件夾下之前訓練好的模型 x=imread('1.jpg'); %讀取一張事先準備好的圖片1，命名為x YPred=classify(net,x); %用訓練好的網絡net對x進行分類識別 ，分類結果為YPred sprintf('測試結果為%s',YPred) 將結果YPred顯示。注意這個YPred是一個奇怪的數據類型categorical %為了后續GUI界面的方便使用，作者的數據集名字即類別lable都是數字哦 %下面就是將categorical數據類型轉化為矩陣mat類型，命名為nn。 M=string(YPred); nn=double(M);

結語

讀者可能需要一些圖片的預處理和數據增強，視頻幀讀取，GUI的網絡嵌入與端到端識別等程序，可以參考其他博主的文章，作者后續閑暇之余有可能會出相關博客。本文神經網絡和識別的一些原理算法，后續博客直接給出本科畢設論文以供參考。

總結

以上是生活随笔為你收集整理的matlab卷积神经网络的创建与图片识别的全部內容，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。