零基础学习simulink--在 MATLAB 中构建和训练一个简单的卷积神经网络（CNN）模型-优快云博客

本文链接：https://blog.youkuaiyun.com/amy_mhd/article/details/146989822

基于 MATLAB 的卷积神经网络（CNN）实例，用于图像分类任务。我们将使用 CIFAR-10 数据集来训练一个简单的 CNN 模型，并评估其性能。

步骤概述

加载数据集
数据预处理
定义网络结构
设置训练选项
训练模型
测试模型

详细步骤

1. 加载数据集

首先，我们需要加载 CIFAR-10 数据集。MATLAB 提供了内置的函数 cifar10 来加载这个数据集。

Matlab

深色版本

% 加载 CIFAR-10 数据集
[XTrain, YTrain] = cifar10;

2. 数据预处理

对数据进行归一化处理，使其适合输入到神经网络中。

Matlab

深色版本

% 归一化数据
XTrain = double(XTrain) / 255;

3. 定义网络结构

接下来，我们定义一个简单的卷积神经网络结构。

Matlab

深色版本

layers = [
    imageInputLayer([32 32 3]) % 输入层，输入图像尺寸为 32x32x3
    convolution2dLayer(3, 32, 'Padding', 'same') % 3x3 卷积层，32 个滤波器
    batchNormalizationLayer % 批归一化层
    reluLayer % ReLU 激活函数
    maxPooling2dLayer(2, 'Stride', 2) % 2x2 最大池化层，步长为 2

    convolution2dLayer(3, 64, 'Padding', 'same') % 3x3 卷积层，64 个滤波器
    batchNormalizationLayer % 批归一化层
    reluLayer % ReLU 激活函数
    maxPooling2dLayer(2, 'Stride', 2) % 2x2 最大池化层，步长为 2

    fullyConnectedLayer(128) % 全连接层，128 个神经元
    reluLayer % ReLU 激活函数
    fullyConnectedLayer(10) % 全连接层，10 个神经元（对应 10 个类别）
    softmaxLayer % Softmax 层
    classificationLayer % 分类层
];

4. 设置训练选项

定义训练选项，包括最大迭代次数、批量大小、初始学习率等。

Matlab

深色版本

options = trainingOptions('adam', ...
    'MaxEpochs', 10, % 最大迭代次数
    'MiniBatchSize', 128, % 批量大小
    'InitialLearnRate', 0.001, % 初始学习率
    'Verbose', false, % 不显示详细训练信息
    'Plots', 'training-progress'); % 绘制训练进度图

5. 训练模型

使用 trainNetwork 函数训练模型。

Matlab

深色版本

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

6. 测试模型

加载测试数据并评估模型的性能。

Matlab

深色版本

% 加载测试数据
[XTest, YTest] = cifar10('test');

% 归一化测试数据
XTest = double(XTest) / 255;

% 进行预测
YPred = classify(net, XTest);

% 计算准确率
accuracy = sum(YPred == YTest) / numel(YTest);
disp(['Test Accuracy: ', num2str(100 * accuracy), '%']);

完整代码

将上述代码段组合在一起，形成一个完整的 MATLAB 脚本：

Matlab

深色版本

% 加载 CIFAR-10 数据集
[XTrain, YTrain] = cifar10;

% 归一化数据
XTrain = double(XTrain) / 255;

% 定义网络结构
layers = [
    imageInputLayer([32 32 3])
    convolution2dLayer(3, 32, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 64, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    fullyConnectedLayer(128)
    reluLayer
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer
];

% 设置训练选项
options = trainingOptions('adam', ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 128, ...
    'InitialLearnRate', 0.001, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

% 训练模型
net = trainNetwork(XTrain, YTrain, layers, options);

% 加载测试数据
[XTest, YTest] = cifar10('test');

% 归一化测试数据
XTest = double(XTest) / 255;

% 进行预测
YPred = classify(net, XTest);

% 计算准确率
accuracy = sum(YPred == YTest) / numel(YTest);
disp(['Test Accuracy: ', num2str(100 * accuracy), '%']);