资源描述：
《卷积神经网络CNN相关代码注释.doc》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。
1、cnnexamples.m[plain] viewplaincopy1.clear all; close all; clc; 2.addpath('../data'); 3.addpath('../util'); 4.load mnist_uint8; 5. 6.train_x = double(reshape(train_x',28,28,60000))/255; 7.test_x = double(reshape(test_x',28,28,10000))/255; 8.train_y =
2、 double(train_y'); 9.test_y = double(test_y'); 10. 11.%% ex1 12.%will run 1 epoch in about 200 second and get around 11% error. 13.%With 100 epochs you'll get around 1.2% error 14. 15.cnn.layers = { 16. struct('type', 'i') %input layer 17.
3、 struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer 18. struct('type', 's', 'scale', 2) %sub sampling layer 19. struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer 20. struct('type', 's', 'scale', 2)
4、%subsampling layer 21.}; 22. 23.% 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 24.cnn = cnnsetup(cnn, train_x, train_y); 25. 26.% 学习率 27.opts.alpha = 1; 28.% 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 29.% 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 30.opt
5、s.batchsize = 50; 31.% 训练次数，用同样的样本集。我训练的时候： 32.% 1的时候 11.41% error 33.% 5的时候 4.2% error 34.% 10的时候 2.73% error 35.opts.numepochs = 10; 36. 37.% 然后开始把训练样本给它，开始训练这个CNN网络 1.cnn = cnntrain(cnn, train_x, train_y, opts); 2. 3.% 然后就用测试样本来测试 4.[er, bad
6、] = cnntest(cnn, test_x, test_y); 5. 6.%plot mean squared error 7.plot(cnn.rL); 8.%show test error 9.disp([num2str(er*100) '% error']); cnnsetup.m[plain] viewplaincopy1.function net = cnnsetup(net, x, y) 2. inputmaps = 1; 3. % B=squeeze(A) 返回
7、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。 4. % 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， 5. % 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 6. % 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 7. mapsize =
8、 size(squeeze(x(:, :, 1))); 8. 9. % 下面通过传入net这个结构体来逐层构建CNN网络 10. % n = numel(A)返回数组A中元素个数 11. % 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 12. for l = 1 : numel(net.layers) % layer 1
