MatConvNet框架下mnist数据集测试

当cnn_mnist.m运行完成后，我们再打开data文件夹里的mnist-baseline-simplenn文件夹，就会发现里面多了一个pdf文件和20个net-epoch-(1~20).mat，这20个net-epoch-(1~20).mat，就是经过每一轮训练后，获得的训练好的模型。
如果在训练的时候选择了opts.batchNormalization为true的话，即进行批量归一化，那么生成的文件夹便是mnist-baseline-simplenn-bnorm，文件夹下也会有20个模型。在测试的时候，如果使用此模型，并且对图像仅仅是进行了归一化和减去均值操作，那么测试便得不到想要的结果。
在此按照ImageNet测试的demo写了一个mnist测试的代码，有关注意事项在代码中说明

run ../matlab/vl_setupnn
load('../data\mnist-baseline-simplenn/net-epoch-20.mat');%此模型包含三个部分，其中一部分为net
load('../data\mnist-baseline-simplenn-bnorm/imdb.mat');%images结构体在此读取

net = vl_simplenn_tidy(net);
net.layers{1,end}.type = 'softmax';%训练时为softmaxloss,测试时为softmax

test_index = find(images.set==3);%1对应训练集，3对应测试集，1有（1——60000）3有（60001——70000）

% 挑选出测试集以及真实类别
test_data = images.data(:,:,:,test_index);
test_label = images.labels(test_index);

im_ = test_data(:,:,:,536);%随意选取一张图像
% im=imread('5.jpg');
% im_=single(im);
im_=imresize(im_,net.meta.inputSize(1:2));%此处和ImageNet网络名称不同
im_ = im_ - images.data_mean;去均值
% im_=im_-net.meta.normalization.averageImage;
res=vl_simplenn(net,im_);
y=res(end).x;
x=gather(res(end).x);

scores=squeeze(gather(res(end).x));
[bestScore,best]=max(scores);
figure(1);
clf;
imshow(im_);
title(sprintf('%s %d,%.3f',...
        net.meta.classes.name{best-1},best-1,bestScore));

另外还有一个对序列号为60000-70000图像进行整体精度预测的代码，大致思路与上面相同

run ../matlab/vl_setupnn
load('../data\mnist-baseline-simplenn/net-epoch-11.mat');%此处换成自己下载模型存储的位置
load('../data\mnist-baseline-simplenn-bnorm/imdb.mat');

net = vl_simplenn_tidy(net);
net.layers{1,end}.type = 'softmax';%训练时为softmaxloss,测试时为softmax
% 挑选出测试样本在全体数据中对应的编号60001-70000
test_index = find(images.set==3);%1对应训练集，3对应测试集，1有（1——60000）3有（60001——70000）
% 挑选出测试集以及真实类别
test_data = images.data(:,:,:,test_index);
test_label = images.labels(test_index);

% 将最后一层改为 softmax （原始为softmaxloss，这是训练用）
net.layers{1, end}.type = 'softmax';

% 对每张测试图片进行分类
for i = 1:length(test_label)
    i
    im_ = test_data(:,:,:,i);
    im_ = im_ - images.data_mean;
    res = vl_simplenn(net, im_) ;
    scores = squeeze(gather(res(end).x)) ;
    [bestScore, best] = max(scores) ;
    pre(i) = best;
end

% 计算准确率
accurcy = length(find(pre==test_label))/length(test_label);
disp(['accurcy = ',num2str(accurcy*100),'%']);