1、相關理論

CNN 模型為深度學習模型，其具有局部連接、權 值共享和空間相關等特性，以及強魯棒性和容錯能力，適用于提取深層數據特征。經典的 CNN 模型結構包含輸入層、隱含層、全連接層和輸出層。卷積神經網絡的模型如下圖所示。

2、數據集的準備

以手寫數據集為例，搭建卷積神經網絡進行分類識別。數據集下載地址： ，下面為部分數據集圖片展示。

3、數據集的讀取與劃分

將下載好的數據集保存好，digitDatasetPath 填寫數據集的保存路徑即可。每一類隨機選擇750張圖片作為測試數據，其他的作為訓練數據。

%%數據集的讀取
digitDatasetPath = 'D:\\MTALAB2019\\手寫數據集\\DigitDataset';
imds = imageDatastore(digitDatasetPath, ...
    'IncludeSubfolders',true,'LabelSource','foldernames');
%%數據集的劃分
numTrainFiles = 750;
[imdsTrain,imdsValidation] = splitEachLabel(imds,numTrainFiles,'randomize');

4、卷積神經網絡的搭建

layers = [
    imageInputLayer([28 28 1])  %%輸入層
    %%卷積層
    convolution2dLayer(3,8,'Padding','same')  
    batchNormalizationLayer
    reluLayer
    %%池化層
    maxPooling2dLayer(2,'Stride',2)
    %%卷積層
    convolution2dLayer(3,16,'Padding','same')
    batchNormalizationLayer
    reluLayer
    %%池化層
    maxPooling2dLayer(2,'Stride',2)
    %%卷積層
    convolution2dLayer(3,32,'Padding','same')
    batchNormalizationLayer
    reluLayer
    %全連接層
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];

網絡搭建好了，就需要對網絡的參數進行設置，相關參數代碼如下：

options = trainingOptions('sgdm', ...
    'InitialLearnRate',0.01, ...
    'MaxEpochs',10, ...
    'Shuffle','every-epoch', ...
    'ValidationData',imdsValidation, ...
    'ValidationFrequency',30, ...
    'Verbose',false, ...
    'Plots','training-progress');

** 5、訓練卷積神經網絡**

net = trainNetwork(imdsTrain,layers,options);

** 訓練結果如下 **

6、測試與運行結果

YPred = classify(net,imdsValidation);
YValidation = imdsValidation.Labels;
accuracy = sum(YPred == YValidation)/numel(YValidation)

accuracy = 0.9868