卷积神经网络CNN代码课稿.doc

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AutoEncoder（堆栈SAE，卷积CAE）的作者是 Rasmus Berg Palm (rasmusbergpalm@) 代码下载：/rasmusbergpalm/DeepLearnToolbox 这里我们介绍deepLearnToolbox-master中的CNN部分。 DeepLearnToolbox-master中CNN内的 函数： 调用关系为： 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： 让我们来看看各个函数： 一、Test_example_CNN: 2 三、cnntrain.m 5 四、cnnff.m 6 五、cnnbp.m 7 五、cnnapplygrads.m 10 六、cnntest.m 11 Test_example_CNN: Test_example_CNN: 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fan_in, fan_out fan_out = net.layers{l}.outputmaps * net.layers{l}.kernelsize ^ 2; %卷积核初始化，1层卷积为1*6个卷积核，2层卷积一共6*12=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。1*25,6*25 fan_in = numInputmaps * net.layers{l}.kernelsize ^ 2; fin =1*25 or 6*25 fout=1*6*25 or 6*12*25 net.layers{l}.k{i}{j} = (rand(net.layers{l}.kernelsize) - 0.5) * 2 * sqrt(6 / (fan_in + fan_out)); 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(4*4)*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 计算尾部单层感知机的误差 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： 误差在特征提取网络【卷积降采样层】的传播