分享一下卷积神经网络的代码实战

1、相关理论

CNN 模型为深度学习模型，其具有局部连接、权 值共享和空间相关等特性，以及强鲁棒性和容错能力，适用于提取深层数据特征。经典的 CNN 模型结构包含输入层、隐含层、全连接层和输出层。卷积神经网络的模型如下图所示。

2、数据集的准备

以手写数据集为例，搭建卷积神经网络进行分类识别。数据集下载地址： ，下面为部分数据集图片展示。

3、数据集的读取与划分

将下载好的数据集保存好，digitDatasetPath 填写数据集的保存路径即可。每一类随机选择750张图片作为测试数据，其他的作为训练数据。

%%数据集的读取
digitDatasetPath = 'D:\\MTALAB2019\\手写数据集\\DigitDataset';
imds = imageDatastore(digitDatasetPath, ...
    'IncludeSubfolders',true,'LabelSource','foldernames');
%%数据集的划分
numTrainFiles = 750;
[imdsTrain,imdsValidation] = splitEachLabel(imds,numTrainFiles,'randomize');

4、卷积神经网络的搭建

layers = [
    imageInputLayer([28 28 1])  %%输入层
    %%卷积层
    convolution2dLayer(3,8,'Padding','same')  
    batchNormalizationLayer
    reluLayer
    %%池化层
    maxPooling2dLayer(2,'Stride',2)
    %%卷积层
    convolution2dLayer(3,16,'Padding','same')
    batchNormalizationLayer
    reluLayer
    %%池化层
    maxPooling2dLayer(2,'Stride',2)
    %%卷积层
    convolution2dLayer(3,32,'Padding','same')
    batchNormalizationLayer
    reluLayer
    %全连接层
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];

网络搭建好了，就需要对网络的参数进行设置，相关参数代码如下：

options = trainingOptions('sgdm', ...
    'InitialLearnRate',0.01, ...
    'MaxEpochs',10, ...
    'Shuffle','every-epoch', ...
    'ValidationData',imdsValidation, ...
    'ValidationFrequency',30, ...
    'Verbose',false, ...
    'Plots','training-progress');

** 5、训练卷积神经网络**

net = trainNetwork(imdsTrain,layers,options);

** 训练结果如下 **

6、测试与运行结果

YPred = classify(net,imdsValidation);
YValidation = imdsValidation.Labels;
accuracy = sum(YPred == YValidation)/numel(YValidation)

accuracy = 0.9868