• 68685

    文章

  • 645

    评论

  • 65

    友链

  • 最近新加了换肤功能,大家多来逛逛吧~~~~
  • 喜欢这个网站的朋友可以加一下QQ群,我们一起交流技术。

Matlab编程之——卷积神经网络CNN代码解析

撸了今年阿里、腾讯和美团的面试,我有一个重要发现.......>>

卷积神经网络CNN代码解析

deepLearnToolbox-master是一个深度学习matlab包,里面含有很多机器学习算法,如卷积神经网络CNN,深度信念网络DBN,自动编码AutoE

ncoder(堆栈SAE,卷积CAE)的作者是 RasmusBerg Palm


今天给介绍deepLearnToolbox-master中的CNN部分。

  • DeepLearnToolbox-master中CNN内的函数:

该模型使用了mnist的数字mnist_uint8.mat作为训练样本,作为cnn的一个使用样例,每个样本特征为一个28*28=的向量。


  • 网络结构为:

-让我们来分析各个函数: 一、TestexampleCNN

三、cnntrain.m.

四、cnnff.m.

五、cnnbp.m.

五、cnnapplygrads.m.

六、cnntest.m.


一、TestexampleCNN:

1设置CNN的基本参数规格,如卷积、降采样层的数量,卷积核的大小、降采样的降幅

2 cnnsetup函数 初始化卷积核、偏置等

3 cnntrain函数 训练cnn,把训练数据分成batch,然后调用

3.1 cnnff 完成训练的前向过程,

3.2 cnnbp计算并传递神经网络的error,并计算梯度(权重的修改量)

3.3 cnnapplygrads 把计算出来的梯度加到原始模型上去

4 cnntest函数,测试当前模型的准确率

该模型采用的数据为mnist_uint8.mat,

含有70000个手写数字样本其中60000作为训练样本,10000作为测试样本。

把数据转成相应的格式,并归一化。


  • 设置网络结构及训练参数


  • 初始化网络,对数据进行批训练,验证模型准确率


  • 绘制均方误差曲线


二、Cnnsetup.m

该函数你用于初始化CNN的参数。

设置各层的mapsize大小,

初始化卷积层的卷积核、bias

尾部单层感知机的参数设置

bias统一设置为0

权重设置为:-1~1之间的随机数/sqrt(6/(输入神经元数量+输出神经元数量))

对于卷积核权重,输入输出为fanin, fanout

fan_out= net.layers{l}.outputmaps * net.layers{l}.kernelsize ^ 2;

%卷积核初始化,1层卷积为16个卷积核,2层卷积一共612=72个卷积核。对于每个卷积输出featuremap,

%fan_in= 表示该层的一个输出map,所对应的所有卷积核,包含的神经元的总数。125,625

fan_in =numInputmaps * net.layers{l}.kernelsize ^ 2;

fin=125 or 625

fout=1625 or 61225

net.layers{l}.k{i}{j} =(rand(net.layers{l}.kernelsize) - 0.5) * 2 * sqrt(6 / (fanin + fanout));


1、卷积降采样的参数初始化


2、尾部单层感知机的参数(权重和偏量)设置:


三、cnntrain.m

该函数用于训练CNN。

生成随机序列,每次选取一个batch(50)个样本进行训练。

批训练:计算50个随机样本的梯度,求和之后一次性更新到模型权重中。

在批训练过程中调用:

Cnnff.m 完成前向过程

Cnnbp.m 完成误差传导和梯度计算过程

Cnnapplygrads.m把计算出来的梯度加到原始模型上去


四、cnnff.m

1、取得CNN的输入


2、两次卷积核降采样层处理


3、尾部单层感知机的数据处理,需要把subFeatureMap2连接成为一个(44)12=192的向量,但是由于采用了50样本批训练的方法,subFeatureMap2被拼合成为一个192*50的特征向量fv;

Fv作为单层感知机的输入,全连接的方式得到输出层


五、cnnbp.m

该函数实现2部分功能,计算并传递误差,计算梯度

1、计算误差和LossFunction


2、计算尾部单层感知机的误差


3、把单层感知机的输入层featureVector的误差矩阵,恢复为subFeatureMap2的4*4二维矩阵形式


插播一张图片:


4、误差在特征提取网络【卷积降采样层】的传播

如果本层是卷积层,它的误差是从后一层(降采样层)传过来,误差传播实际上是用降采样的反向过程,也就是降采样层的误差复制为2*2=4份。卷积层的输入是经过sigmoid处理的,所以,从降采样层扩充来的误差要经过sigmoid求导处理。

如果本层是降采样层,他的误差是从后一层(卷积层)传过来,误差传播实际是用卷积的反向过程,也就是卷积层的误差,反卷积(卷积核转180度)卷积层的误差,原理参看插图。


5、计算特征抽取层和尾部单层感知机的梯度


五、cnnapplygrads.m

该函数完成权重修改,更新模型的功能

  1. 更新特征抽取层的权重 weight+bias

  2. 更新末尾单层感知机的权重 weight+bias


六、cnntest.m

验证测试样本的准确率

阅读原文


 转载至链接:https://my.oschina.net/u/3949328/blog/2249482。

695856371Web网页设计师②群 | 喜欢本站的朋友可以收藏本站,或者加入我们大家一起来交流技术!

欢迎来到梁钟霖个人博客网站。本个人博客网站提供最新的站长新闻,各种互联网资讯。 还提供个人博客模板,最新最全的java教程,java面试题。在此我将尽我最大所能将此个人博客网站做的最好! 谢谢大家,愿大家一起进步!

转载原创文章请注明出处,转载至: 梁钟霖个人博客www.liangzl.com

1条评论

Loading...
  • 小陈665L

    您好,我是小白,有个问题想请教一下:如果图片大小不一样想要修改怎么弄呢,麻烦你帮我解答一下可以吗



发表评论

电子邮件地址不会被公开。 必填项已用*标注

自定义皮肤
注册梁钟霖个人博客