這是MATLAB關于Deep Learning 的一個入門的簡單的例程

Step1
加載并查看數據

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

然后隨機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.
查看每個標簽的數量

CountLabel = digitData.countEachLabel;

查看每個圖片的尺寸大小

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

ans =

28    28

把數據集分為 訓練數據集 和 測試數據集

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

Step3.
定義神經層，定義卷積網絡的結構

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，長寬通道數，因為是黑白圖像，通道數為1，如果為彩色的話，就是3
Convolutional Layer ：卷積層，第一個參數是濾波器的尺寸，代表5*5，第二個參數是濾波器的個數
ReLU Layer：激活函數的個數
Max-Pooling Layer：最大池化層
Fully Connected Layer ：全連接層，和待輸出的標簽個數一致
Softmax Layer：激活函數或者分類函數
Classification Layer：分類函數

Step4.
指定訓練參數

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

訓練數據

convnet = trainNetwork(trainDigitData,layers,options);

訓練結果如下

圖片.png

Step5.
分類測試數據集

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

計算準確率

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

圖片.png

總結：

1. 學習了幾個通用函數的使用方式
   fullfile，用來構造文件路徑
   randperm，取隨機整數
   rng，初始化隨機數種子

2. 關于深度學習用到的幾個函數
   imageDatastore，組建圖像處理數據集
   splitEachLabel，標簽分類

CNN卷積的一些設置函數：
imageInputLayer
convolution2dLayer
reluLayer
maxPooling2dLayer
fullyConnectedLayer
softmaxLayer
classificationLayer

trainingOptions
trainNetwork，訓練神經網絡
classify，對訓練好的神經網絡應用用于分類