(精品word)卷积神经网络CNN代码解析-matlab.doc

(精品word)卷积神经网络CNN代码解析-matlab
(精品word)卷积神经网络CNN代码解析-matlab
PAGE\*MERGEFORMAT12
内蒙古大学计算机学院模式识别小组小强HYPERLINK"mailto:[e-mail]"[e-mail]
(精品word)卷积神经网络CNN代码解析-matlab

卷积神经网络CNN代码解析
deepLearnToolbox-master是一个深度学习matlab包,里面含有很多机器学习算法，如卷积神经网络CNN，深度信念网络DBN，自动编码AutoEncoder（堆栈SAE,卷积CAE)的作者是RasmusBergPalmHYPERLINK"mailto：（[e-mail])，”（[e-mail])
代码下载:HYPERLINK”https：//github。com/rasmusbergpalm/DeepLearnToolbox"https://github.com/rasmusbergpalm/DeepLearnToolbox

这里我们介绍deepLearnToolbox-master中的CNN部分。

DeepLearnToolbox-master中CNN内的函数：

调用关系为：

该模型使用了mnist的数字mnist_uint8。mat作为训练样本，作为cnn的一个使用样例，
每个样本特征为一个28＊28=的向量.
网络结构为：

让我们来看看各个函数：
TOC\o”1—3”\h\uHYPERLINK\l_Toc7456一、Test_example_CNN: PAGEREF_Toc74562
HYPERLINK\l_Toc8409三、cnntrain.m PAGEREF_Toc84095
HYPERLINK\l_Toc4498四、cnnff.m PAGEREF_Toc44986
HYPERLINK\l_Toc16109五、cnnbp.m PAGEREF_Toc161097
HYPERLINK\l_Toc7862五、cnnapplygrads。m PAGEREF_Toc786210
HYPERLINK\l_Toc21625六、cnntest。m PAGEREF_Toc2162511


Test_example_CNN：
Test_example_CNN：
1设置CNN的基本参数规格，如卷积、降采样层的数量,卷积核的大小、降采样的降幅
2cnnsetup函数初始化卷积核、偏置等
3cnntrain函数训练cnn，把训练数据分成batch,然后调用
3.1cnnff完成训练的前向过程，
3.2cnnbp计算并传递神经网络的error,并计算梯度（权重的修改量）
3.3cnnapplygrads把计算出来的梯度加到原始模型上去
4cnntest函数，测试当前模型的准确率

该模型采用的数据为mnist_uint8。mat，
含有70000个手写数字样本其中60000作为训练样本，10000作为测试样本。
把数据转成相应的格式，并归一化。

设置网络结构及训练参数

初始化网络，对数据进行批训练,验证模型准确率

绘制均方误差曲线

二、Cnnsetup.m
该函数你用于初始化CNN的参数.
设置各层的mapsize大小，
初始化卷积层的卷积核、bias
尾部单层感知机的参数设置
＊
bias统一设置为0
权重设置为：—1～1之间的随机数/sqrt（6/（输入神经元数量+输出神经元数量)）
对于卷积核权重，输入输出为fan_in,fan_out
fan_out=net。layers{l｝.outputmaps＊net。layers{l｝.kernelsize^2;
％卷积核初始化，1层卷积为1＊6个卷积核，2层卷积一共6＊12=72个卷积核。对于每个卷积输出featuremap，
％fan_in=表示该层的一个输出map，所对应的所有卷积核，包含的神经元的总数。1*25,6*25
fan_in=numInputmaps*net。layers{l｝。kernelsize^2;
fin=1＊25or6＊25
fout=1＊6*25or6＊12＊25

net.layers{l}。k｛i｝{j}=(rand(net.layers{l｝。kernelsize)—0.5）*2*sqrt（6/（fan_in+fan_out）);
1卷积降采样的参数初始化

2尾部单层感知机的参数（权重和偏量)设置:

三、cnntrain.m
该函数用于训练CNN.
生成随