加载和探索图像数据

加载数字样本数据作为图像数据存储。imageDatastore自动标签的图像基于文件夹名称和存储数据作为ImageDatastore对象。图像数据存储使您能够存储大的图像数据，包括内存中不适合的数据，并在卷积神经网络训练期间有效地读取批量图像。

digitDatasetPath = fullfile (matlabroot,“工具箱”，“nnet”，“nndemos”，．..“nndatasets”，“DigitDataset”）;imd = imageDatastore (digitDatasetPath,．..“IncludeSubfolders”,真的,“LabelSource”，“foldernames”）;

在数据存储中显示一些图像。

图;烫= randperm(10000年,20);为I = 1:20 subplot(4,5, I);imshow (imds.Files{烫发(i)});结束

计算每个类别中的图像数量。labelCount是一个包含标签和具有每个标签的图像数量的表。对于0-9的每个数字，该数据存储包含1000个图像，总共包含10000个图像。可以指定网络中最后一个完全连接层中的类的数量OutputSize论点。

labelCount = countEachLabel (imd)

labelCount =10×2表标签计数_____ _____ 0 1000 1 1000 2 1000 3 1000 4 1000 5 1000 6 1000 7 1000 8 1000 9 1000

您必须指定网络输入层中图像的大小。检查第一张图片的大小digitData．每张图像都是28 × 28 × 1像素。

img = readimage (imd, 1);大小(img)

ans =1×228日28日

指定培训和验证集

将数据划分为训练数据集和验证数据集，使训练集中的每个类别包含750幅图像，验证集包含每个标签的剩余图像。splitEachLabel将数据存储digitData存入两个新的数据存储，trainDigitData和valDigitData．

numTrainFiles = 750;[imdsTrain, imdsValidation] = splitEachLabel (imd, numTrainFiles“随机”）;

定义网络体系结构

定义卷积神经网络结构。

layers = [imageInputLayer([28 28 1])]“填充”，“相同”maxPooling2dLayer(2，“步”2) convolution2dLayer(16日“填充”，“相同”maxPooling2dLayer(2，“步”32岁的,2)convolution2dLayer (3“填充”，“相同”) batchNormalizationLayer relullayer fulllyconnectedlayer (10) softmaxLayer classificationLayer];

图像输入层一个imageInputLayer是指定图像大小的地方，在本例中是28乘28乘1。这些数字对应于高度、宽度和通道大小。数字数据由灰度图像组成，因此通道大小(颜色通道)为1。对于彩色图像，通道大小为3，对应RGB值。您不需要洗牌数据，因为trainNetwork，默认情况下，会在训练开始时打乱数据。trainNetwork也可以自动洗牌的数据在每个纪元的开始在训练期间。

卷积的层在卷积层，第一个参数是filterSize，这是训练函数在沿着图像扫描时使用的过滤器的高度和宽度。在本例中，数字3表示过滤器大小为3 × 3。您可以为过滤器的高度和宽度指定不同的大小。第二个参数是过滤器的数量，numFilters，这是连接到输入信号的同一区域的神经元数量。该参数决定feature map的个数。使用“填充”名称-值对，以向输入特性映射添加填充。对于一个默认步幅为1的卷积层，“相同”填充确保空间输出大小与输入大小相同。还可以使用的名称-值对参数定义该层的步幅和学习速率convolution2dLayer．

批归一化层批处理归一化层将通过网络传播的激活和梯度归一化，使网络训练成为一个更容易的优化问题。在卷积层和非线性层(如ReLU层)之间使用批处理归一化层，以加快网络训练并降低对网络初始化的敏感性。使用batchNormalizationLayer创建批处理标准化层。

ReLU层批处理归一化层之后是一个非线性激活函数。最常见的激活函数是整流线性单元(ReLU)。使用reluLayer创建一个ReLU层。

马克斯池层卷积层(带有激活函数)之后有时会进行降采样操作，以减少特征图的空间大小并去除冗余空间信息。下采样使得在不增加每层所需的计算量的情况下增加更深卷积层中的滤波器数量成为可能。向下采样的一种方法是使用最大池，您使用maxPooling2dLayer．最大池化层返回输入矩形区域的最大值，由第一个参数指定，poolSize．在本例中，矩形区域的大小为[2,2]。的“步”名称-值对参数指定训练函数沿输入扫描时所接受的步长。

完全连接层卷积层和下采样层之后是一个或多个完全连接层。顾名思义，完全连接层是指神经元与前一层的所有神经元相连的一层。这一层结合了前一层在整个图像中学习到的所有特征，以识别更大的模式。最后一层是全连接层，结合特征对图像进行分类。因此,OutputSize参数等于目标数据中的类数。在本例中，输出大小为10，对应于10个类。使用fullyConnectedLayer创建一个完全连接的层。

Softmax层softmax激活函数使全连接层的输出归一化。软最大层的输出由加总为1的正数组成，这些正数可以被分类层用作分类概率。创建一个软最大层使用softmaxLayer功能后，最后完全连接层。

分类层最后一层是分类层。这一层使用softmax激活函数为每个输入返回的概率，将输入分配到一个互斥类并计算损失。要创建分类层，请使用classificationLayer．

指定培训选项

定义网络结构后，指定训练选项。使用随机梯度下降与动量(SGDM)训练网络，初始学习率为0.01。设置最大周期数为4。epoch是整个训练数据集上的一个完整的训练周期。在培训期间，通过指定验证数据和验证频率来监控网络的准确性。每个纪元都洗牌数据。该软件在训练数据上对网络进行训练，并在训练期间定期计算验证数据的准确性。验证数据不用于更新网络权重。打开训练进度图，并关闭命令窗口输出。

选择= trainingOptions (“个”，．..“InitialLearnRate”, 0.01,．..“MaxEpochs”，4，．..“洗牌”，“every-epoch”，．..“ValidationData”imdsValidation,．..“ValidationFrequency”30岁的．..“详细”假的,．..“阴谋”，“训练进步”）;

使用训练数据训练网络

使用定义的体系结构训练网络层、培训数据和培训选项。默认情况下,trainNetwork如果GPU可用，则使用GPU，否则使用CPU。GPU上的培训需要并行计算工具箱™和支持的GPU设备。金宝app有关支持的设备的信息，请参见金宝appGPU支金宝app持情况(并行计算工具箱)．属性也可以指定执行环境“ExecutionEnvironment”的名称-值对参数trainingOptions．

培训进度图显示了小批损失和准确性以及验证损失和准确性。有关培训进度图的更多信息，请参见监控深度学习训练进展．损失是交叉熵损失。准确率是网络正确分类图像的百分比。

网= trainNetwork (imdsTrain层,选项);

分类验证图像和计算精度

利用训练后的网络预测验证数据的标签，并计算最终验证精度。准确率是网络正确预测标签的比例。在本例中，超过99%的预测标签与验证集的真实标签匹配。

YPred =分类(净,imdsValidation);YValidation = imdsValidation.Labels;= sum(YPred == YValidation)/numel(YValidation)

精度= 0.9988