基于MATLAB实现卷积神经网络

基于MATLAB实现卷积神经网络（CNN）的代码，包括数据准备、网络构建、训练和评估等步骤：

1. 数据准备

假设使用MATLAB自带的MNIST数据集（手写数字图像）进行分类任务。

% 加载MNIST数据集
digitDatasetPath = fullfile(toolboxdir('nnet'), 'nndemos', 'nndatasets', 'DigitDataset');
imds = imageDatastore(digitDatasetPath, 'IncludeSubfolders', true, 'LabelSource', 'foldernames');
[imdsTrain, imdsTest] = splitEachLabel(imds, 0.8, 'randomized');

2. 定义CNN架构

构建一个简单的CNN模型，包含卷积层、池化层、全连接层等。

layers = [
    imageInputLayer([28 28 1], 'Name', 'input') % 输入层，图像大小为28x28，灰度图像

    convolution2dLayer(3, 8, 'Padding', 'same', 'Name', 'conv_1') % 卷积层
    batchNormalizationLayer('Name', 'BN_1') % 批量归一化层
    reluLayer('Name', 'relu_1') % ReLU激活层
    maxPooling2dLayer(2, 'Stride', 2, 'Name', 'maxpool_1') % 最大池化层

    convolution2dLayer(3, 16, 'Padding', 'same', 'Name', 'conv_2') % 卷积层
    batchNormalizationLayer('Name', 'BN_2') % 批量归一化层
    reluLayer('Name', 'relu_2') % ReLU激活层
    maxPooling2dLayer(2, 'Stride', 2, 'Name', 'maxpool_2') % 最大池化层

    fullyConnectedLayer(10, 'Name', 'fc') % 全连接层，输出10个类别
    softmaxLayer('Name', 'softmax') % Softmax层
    classificationLayer('Name', 'output') % 分类输出层
];

3. 配置训练选项

设置训练参数，如优化器、学习率、最大训练轮数等。

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

4. 训练模型

使用训练数据训练CNN模型。

net = trainNetwork(imdsTrain, layers, options);

5. 评估模型

在测试集上评估模型性能。

YTest = classify(net, imdsTest);
accuracy = sum(YTest == imdsTest.Labels) / numel(imdsTest.Labels);
fprintf('准确率: %.2f%%\n', accuracy * 100);

6. 可视化结果

绘制训练过程中的损失和准确率曲线。

figure;
plot(trainingInfo.TrainingLoss);
hold on;
plot(trainingInfo.ValidationLoss);
legend('Training Loss', 'Validation Loss');
xlabel('Iteration');
ylabel('Loss');
title('训练过程中的损失');

figure;
plot(trainingInfo.TrainingAccuracy);
hold on;
plot(trainingInfo.ValidationAccuracy);
legend('Training Accuracy', 'Validation Accuracy');
xlabel('Iteration');
ylabel('Accuracy');
title('训练过程中的准确率');

7. 使用预训练模型

MATLAB还提供了多种预训练模型（如AlexNet、VGGNet、ResNet等），可以直接加载并用于分类任务。

% 加载预训练的AlexNet模型
net = alexnet;

% 使用预训练模型进行分类
YTest = classify(net, imdsTest);
accuracy = sum(YTest == imdsTest.Labels) / numel(imdsTest.Labels);
fprintf('预训练模型的准确率: %.2f%%\n', accuracy * 100);

参考代码 ：cnn 卷积神经网络在MATLAB实现