ufldl 深度学习入门 第一发：基于BP网络实现稀疏自编码器

目的：打算使用深度学习的方式实现人脸关键点的检测，第一步是要学习深度学习。

步骤：第一步在ufldl上面学习深度学习的算法基础知识，然后找博客上基于python调用theano库实现人脸关键点检测的算法，看懂后基于C++实现，然后用java实现app，调用C++实现的算法。

ufldl上的第一章是基于BP网络实现稀疏自编码器，在matlab上实现。

稀疏自编码器的实现：ufldl上已经给出了整体的框架，我们需要将三个地方补全。由于我对matlab各种函数不熟悉，所以采用的是参考别人实现的代码，然后去理解的方式，等到ufldl教程后面几课越来越熟悉，再自己来实现。

首先是补全sampleIMAGES.m中的代码，该代码从IMAGES.mat中随机提取8×8×10000张sample patches，用来做输入样本。

    tic  
    image_size=size(IMAGES);  
    i=randi(image_size(1)-patchsize+1,1,numpatches);   %产生1*10000个随机数 范围在[1,image_size(1)-patchsize+1]之间  
    j=randi(image_size(2)-patchsize+1,1,numpatches);  
    k=randi(image_size(3),1,numpatches);              % 随机的选取图片 10000次  
    for num=1:numpatches  
            patches(:,num)=reshape(IMAGES(i(num):i(num)+patchsize-1,j(num):j(num)+patchsize-1,k(num)),1,patchsize*patchsize);  
    end  
    toc  

说明：

tic和toc用来计时，返回tic-toc之间代码运行花费的时间;

IMAGES是512×512×10的数组，所以size（IMAGES）返回512 512 10的向量;

i=randi(512-8+1,1,10000)，会返回一个1×10000的随机数组，数组中的元素属于（0，505]，也就是[1，505];（ps：上面介绍randi函数说产生的是开区间，但是我试了发现并不是开区间，是可以取到505的，不过这里并没有什么影响，就不去纠结这一点了）

所以i j k都是1×10000的数组，元素大小位于1-505;

sample=IMAGES(i(num):i(num)+patchsize-1,j(num):j(num)+patchsize-1,k(num))

上面这句话采用全下标的方式访问3维数组IMAGES的元素，行从i（num）到i（num）+7，列从j（num）到j（num）+7，页选择k（num）;

<