卷积神经网络CNN相关代码注释论述.doc

cnnexamples.m [plain]?view plaincopy clear?all;?close?all;?clc;?? addpath(../data);?? addpath(../util);?? load?mnist_uint8;?? ?? 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);?? ?? %%?ex1??? %will?run?1?epoch?in?about?200?second?and?get?around?11%?error.??? %With?100?epochs?youll?get?around?1.2%?error?? ?? 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?? };?? ?? %?这里把cnn的设置给cnnsetup，它会据此构建一个完整的CNN网络，并返回?? cnn?=?cnnsetup(cnn,?train_x,?train_y);?? ?? %?学习率?? opts.alpha?=?1;?? %?每次挑出一个batchsize的batch来训练，也就是每用batchsize个样本就调整一次权值，而不是?? %?把所有样本都输入了，计算所有样本的误差了才调整一次权值?? opts.batchsize?=?50;??? %?训练次数，用同样的样本集。我训练的时候：?? %?1的时候?11.41%?error?? %?5的时候?4.2%?error?? %?10的时候?2.73%?error?? opts.numepochs?=?10;?? ?? %?然后开始把训练样本给它，开始训练这个CNN网络?? cnn?=?cnntrain(cnn,?train_x,?train_y,?opts);?? ?? %?然后就用测试样本来测试?? [er,?bad]?=?cnntest(cnn,?test_x,?test_y);?? ?? %plot?mean?squared?error?? plot(cnn.rL);?? %show?test?error?? disp([num2str(er*100)?%?error]);?? cnnsetup.m [plain]?view plaincopy function?net?=?cnnsetup(net,?x,?y)?? ????inputmaps?=?1;?? ????%?B=squeeze(A)?返回和矩阵A相同元素但所有单一维都移除的矩阵B，单一维是满足size(A,dim)=1的维。?? ????%?train_x中图像的存放方式是三维的reshape(train_x,28,28,60000)，前面两维表示图像的行与列，?? ????%?第三维就表示有多少个图像。这样squeeze(x(:,?:,?1))就相当于取第一个图像样本后，再把第三维?? ????%?移除，就变成了28x28的矩阵，也就是得到一幅图像，再size一下就得到了训练样本图像的行数与列数了?? ????mapsize?=?size(squeeze(x(:,?:,?1)));?? ?? ????%?下面通过传入net这个结构体来逐层构建CNN网络?? ????%?n?=?numel(A)返回数组A中元素个数?? ????%?net.layers中有五个struct类型的元素，实际上就表示CNN共有五层，这里范围的是5?? ????for?l?=?1?:?numel(net.layers)???%??layer?? ????????if?strcmp(net.layers{l}.type,?s)?%?如果这层是?子采样层?? ????????????%?subsampling层的mapsize，最开始mapsize是每张图的大小28*28?? ??????????