CNN算法详细分析

test_example_CNN.m

train_x = double(reshape(train_x',28,28,60000))/255;
test_x = double(reshape(test_x',28,28,10000))/255;
train_y = double(train_y');
test_y = double(test_y');

将输入的数据按照规定的形式组织，并归一化。

rand('state',0)

初始化时设置随机产生的数字不变

cnn.layers = {
    struct('type', 'i') %input layer
    struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer
    struct('type', 's', 'scale', 2) %sub sampling layer
    struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer
    struct('type', 's', 'scale', 2) %subsampling layer
};

设置网络结构为6c-2s-12c-2s

opts.alpha = 1;
opts.batchsize = 50;
opts.numepochs = 1;

设置学习率为1，每一批训练50个样本，迭代一次（所有样本训练完就结束）。

cnn = cnnsetup(cnn, train_x, train_y);
cnn = cnntrain(cnn, train_x, train_y, opts);

调用cnnsetup模块初始化网络并将网络赋给变量cnn，调用cnntrain模块训练网络并将训练好的网络赋给变量cnn。

[er, bad] = cnntest(cnn, test_x, test_y);

将存储网络结构的变量cnn传递给测试模块cnntest，返回错误率和错误的数目。

%plot mean squared error
figure; plot(cnn.rL);
assert(er<0.12, 'Too big error');

画平滑后的均方差曲线

---

cnnsetup.m

    inputmaps = 1;
    mapsize = size(squeeze(x(:, :, 1)));

squeeze：除去size为1的维度

关于输入通道、输出通道与多通道卷积的详细说明：link