零基础学习simulink--MATLAB 中进行深度学习

amy_mhd

于 2025-04-03 22:05:46 发布

阅读量205

点赞数 7

文章标签： simulink

本文链接：https://blog.youkuaiyun.com/amy_mhd/article/details/146989663

版权

在 MATLAB 中进行其他类型的深度学习任务也非常方便。MATLAB 提供了 Deep Learning Toolbox，支持多种深度学习任务，包括但不限于图像分类、目标检测、语义分割、时间序列预测等。下面是一些常见任务的示例代码和说明。

1. 图像分类

数据准备

matlab

深色版本

% 加载内置数据集
[data, labels] = digitTrain4DArrayData();

% 划分训练集和测试集
idx = randperm(size(data, 4));
data = data(:,:,:,idx);
labels = labels(idx);

trainData = data(:,:,:,1:2000);
trainLabels = labels(1:2000);

testData = data(:,:,:,2001:end);
testLabels = labels(2001:end);

定义网络架构

matlab

深色版本

layers = [
    imageInputLayer([28 28 1])
    convolution2dLayer(3, 16, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 32, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer
];

设置训练选项

matlab

深色版本

options = trainingOptions('adam', ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 128, ...
    'Plots', 'training-progress', ...
    'Verbose', false);

训练模型

matlab

深色版本

net = trainNetwork(trainData, trainLabels, layers, options);

评估模型

matlab

深色版本

YPred = classify(net, testData);
YTrue = testLabels;

accuracy = sum(YPred == YTrue) / numel(YTrue);
fprintf('Accuracy: %.2f%%\n', accuracy * 100);

2. 目标检测

数据准备

matlab

深色版本

% 加载内置数据集
imds = imageDatastore(fullfile(matlabroot,'toolbox','vision','visiondata','stopSigns'),'FileExtensions','.jpg');
blds = load(fullfile(matlabroot,'toolbox','vision','visiondata','stopSigns','stopSigns.mat'));

% 创建数据存储
imds = combine(imds, table(blds.stopSigns.Location));

定义网络架构

matlab

深色版本

% 使用预训练的 Faster R-CNN 模型
net = fasterRcnnObjectDetector(resnet50, {'StopSign'}, 'InputSize', [224 224 3]);

设置训练选项

matlab

深色版本

options = trainingOptions('sgdm', ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 4, ...
    'InitialLearnRate', 0.001, ...
    'Shuffle', 'every-epoch', ...
    'Verbose', false, ...
    'Plots', 'training-progress');

训练模型

matlab

深色版本

net = trainFasterRCNNObjectDetector(imds, net, options);

评估模型

matlab

深色版本

% 测试图像
testImage = imread(fullfile(matlabroot,'toolbox','vision','visiondata','stopSigns','stopSign_01.jpg'));

% 进行目标检测
[bboxes, scores, labels] = detect(net, testImage);

% 显示结果
imshow(testImage);
hold on;
for i = 1:length(bboxes)
    rectangle('Position', bboxes(i,:), 'LineWidth', 2, 'EdgeColor', 'g');
    text(bboxes(i,1), bboxes(i,2)-10, labels{i}, 'Color', 'g', 'FontSize', 14);
end
hold off;

3. 语义分割

数据准备

matlab

深色版本

% 加载内置数据集
imds = imageDatastore(fullfile(matlabroot,'toolbox','vision','visiondata','roadSegmentation','TrainingImages'),'FileExtensions','.png');
pxds = pixelLabelDatastore(fullfile(matlabroot,'toolbox','vision','visiondata','roadSegmentation','TrainingPixelLabels'), ...
    {'Car', 'Road', 'Sky', 'Background'});

% 创建数据存储
ds = combine(imds, pxds);

定义网络架构

matlab

深色版本

% 使用预训练的 SegNet 模型
net = segnetLayers('resnet18', {'Car', 'Road', 'Sky', 'Background'});

设置训练选项

matlab

深色版本

options = trainingOptions('sgdm', ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 4, ...
    'InitialLearnRate', 0.001, ...
    'Shuffle', 'every-epoch', ...
    'Verbose', false, ...
    'Plots', 'training-progress');

训练模型

matlab

深色版本

net = trainNetwork(ds, net, options);

评估模型

matlab

深色版本

% 测试图像
testImage = imread(fullfile(matlabroot,'toolbox','vision','visiondata','roadSegmentation','TestingImages','test1.png'));

% 进行语义分割
pixelLabels = semanticseg(testImage, net);

% 显示结果
figure;
imshow(pixelLabels);

4. 时间序列预测

数据准备

matlab

深色版本

% 假设我们已经有一个时间序列数据集
X = rand(10, 1000);  % 10 个特征，1000 个时间点
Y = rand(1, 1000);  % 目标变量

% 划分训练集和测试集
trainIdx = randperm(1000, 800);
testIdx = setdiff(1:1000, trainIdx);

XTrain = X(:, trainIdx);
YTrain = Y(trainIdx);

XTest = X(:, testIdx);
YTest = Y(testIdx);

定义网络架构

matlab

深色版本

layers = [
    sequenceInputLayer(10)
    lstmLayer(100)
    fullyConnectedLayer(1)
    regressionLayer
];

设置训练选项

matlab

深色版本

options = trainingOptions('adam', ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 256, ...
    'SequenceLength', 'longest', ...
    'Shuffle', 'never', ...
    'Plots', 'training-progress', ...
    'Verbose', false);

训练模型

matlab

深色版本

net = trainNetwork(XTrain, YTrain, layers, options);

评估模型

matlab

深色版本

YPred = predict(net, XTest);
YTrue = YTest;

% 计算均方误差
mse = mean((YPred - YTrue).^2);
fprintf('Mean Squared Error: %.4f\n', mse);

总结

通过以上示例，你应该能够在 MATLAB 中进行多种类型的深度学习任务。MATLAB 提供了丰富的工具和函数，使得深度学习任务变得更加简单和高效