深度|Matlab编程之——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 RasmusBerg Palm。

今天给介绍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：

让我们来分析各个函数：

一、Test_example_CNN

三、cnntrain.m.

四、cnnff.m.

五、cnnbp.m.

五、cnnapplygrads.m.

六、cnntest.m.

一、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。

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

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

3、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：

4、误差在特征提取网络【卷积降采样层】的传播

如果本层是卷积层，它的误差是从后一层（降采样层）传过来，误差传播实际上是用降采样的反向过程，也就是降采样层的误差复制为2*2=4份。卷积层的输入是经过sigmoid处理的，所以，从降采样层扩充来的误差要经过sigmoid求导处理。

如果本层是降采样层，他的误差是从后一层（卷积层）传过来，误差传播实际是用卷积的反向过程，也就是卷积层的误差，反卷积（卷积核转180度）卷积层的误差，原理参看插图。

5、计算特征抽取层和尾部单层感知机的梯度

五、cnnapplygrads.m

该函数完成权重修改，更新模型的功能

1、更新特征抽取层的权重 weight+bias

2、更新末尾单层感知机的权重 weight+bias

六、cnntest.m

验证测试样本的准确率

点击“阅读原文”