手把手教你用matlab做深度学习(一)- --CNN

MATLAB深度学习实践：构建CNN模型

原创

已于 2024-01-17 16:50:42 修改 · 10w+ 阅读

114

820 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #matlab #cnn

于 2018-07-23 11:40:21 首次发布

这篇博客介绍了如何使用MATLAB进行深度学习，特别是构建卷积神经网络（CNN）进行目标检测。首先，通过指令导入CIFAR-10数据集，然后详细讲解了构建CNN模型的步骤，包括输入层、中间层、输出层的定义以及权重初始化。文章提到了训练选项，如使用sgdm优化器和训练过程的可视化。最终，展示了网络在测试集上的分类精度，并预告下篇将探讨如何提升训练精度。

1.使用深度学习做目标检测

上一篇博客已经讲解了怎么用matlab导入数据。

[trainingImages,trainingLabels,testImages,testLabels] = helperCIFAR10Data.load('cifar10Data');

使用这个指令就可以导入CIFAR-10 data的数据。

使用下面指令查看样本和图片大小：

size(trainingImages)

CIFAR-10 数据集有10类，使用指令列出：

numImageCategories = 10;
categories(trainingLabels)

1.接下来我们来建立CNN模型，这里建立输入层：

% Create the image input layer for 32x32x3 CIFAR-10 images
[height, width, numChannels, ~] = size(trainingImages);

imageSize = [height width numChannels];
inputLayer = imageInputLayer(imageSize)

2.建立网络中间层

% Convolutional layer parameters filter size
filterSize = [5 5];
numFilters = 32;

middleLayers = [
    
% The first convolutional layer has a bank of 32 5x5x3 filters. A
% symmetric padding of 2 pixels is added to ensure that image borders
% are included in the processing. This is important to avoid
% information at the borders being washed away too early in the
% network.
convolution2dLayer(filterSize, numFilters, 'Padding', 2)  %(n+2p-f)/s+1

% Note that the third dimension of the filter can be omitted because it
% is automatically deduced bas

最低0.47元/天解锁文章