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。imageageAtastore.根据文件夹名称自动标记图像并将数据存储为ImageDatastore目的。映像数据存储使您能够存储大图像数据，包括不适合内存的数据，并在卷积神经网络的训练期间有效地读取批次图像。

digitDatasetPath = fullfile (matlabroot,'工具箱'，'nnet'，“nndemos”，．..'nndatasets'，'digitdataset'）;imds = imageageataStore（DigitDatasetPath，．..'insertumbfolders',真的,'labelsource'，“foldernames”）;

在数据存储中显示一些图像。

数字;perm = randperm（10000,20）;为I = 1:20 subplot(4,5, I);imshow (imds.Files{烫发(i)});结尾

计算每个类别中的图像数量。labelCount是包含标签和具有每个标签的图像数量的表。数据存储区为每位0-9中的每位0-9个图像，总计10000张图像。您可以在网络的最后完全连接图层中指定类的类数OutputSize争论。

labelcount = counteanceLabel（IMDS）

labelcount =10×2表标签数_____ _____ 0 1000 1 1000 2 1000 3 1000 4 1000 5 1000 6 1000 7 1000 8 1000 9 1000

您必须在网络的输入层中指定图像的大小。检查第一张图像的大小digitData．每个图像都是28×28×1像素。

IMG = ReadImage（IMDS，1）;尺寸（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进入两个新数据存储，TrainDigitdata.和valdigitdata.．

numtrainfiles = 750;[IMDStrain，IMDSValidation] = SpliteachLabel（IMDS，NumTrainfiles，“随机”）;

定义网络体系结构

定义卷积神经网络架构。

图层= [imageInputlayer（[28 28 1]）卷积2dlayer（3,8，'填充'，'相同的'）BatchnormalizationLayer Ruilulayer MaxPooling2dlayer（2，“步”，2）卷积2dlayer（3,16，'填充'，'相同的'）BatchnormalizationLayer Ruilulayer MaxPooling2dlayer（2，“步”，2）卷积2dlayer（3,32，'填充'，'相同的'）BatchnormalizationLayer Rublayer全连接列（10）SoftMaxLayer分类层];

图像输入层一个imageInputLayer是您指定图像大小的位置，在这种情况下是28×28-1。这些数字对应于高度，宽度和信道大小。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，对应于RGB值。您不需要将数据进行洗牌，因为Trainnetwork.，默认情况下，在培训开始时将数据洗牌。Trainnetwork.在培训期间，还可以自动在每个时期的开头播放数据。

卷积层在卷积层，第一个参数是过滤，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，这是连接到输入相同区域的神经元数。此参数确定要素映射的数量。使用'填充'名称值对将填充添加到输入功能映射。对于具有1的默认步幅的卷积层，'相同的'填充确保空间输出大小与输入大小相同。您还可以使用名称值对参数来定义此图层的步幅和学习速率Convolution2Dlayer.．

批量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创建批量归一化层。

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。

最大汇集层卷积层（具有激活函数）有时之后是下抽样操作，其减少了特征图的空间大小并消除了冗余空间信息。下式采样使得可以增加更深的卷积层中的过滤器的数量，而不增加每层所需的计算量。一个下抽样方式使用了最大池，您可以创建使用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，池化．在该示例中，矩形区域的大小是[2,2]。这“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。

完全连接的层卷积和下采样层之后是一个或多个完全连接的层。当其名称表明时，完全连接的层是神经元连接到前一层中的所有神经元的层。该层组合了通过图像中的前一层学到的所有特征，以识别更大的模式。最后一个完全连接的图层组合了分类图像的功能。因此，这是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创建完全连接的图层。

Softmax层Softmax激活功能将完全连接图层的输出标准化。Softmax层的输出包括施加到一个的正数，然后可以用分类层用作分类概率。使用该制作Softmax层softmaxlayer.在最后一个完全连接的图层后的函数。

分类层最终层是分类层。此图层使用SoftMax激活功能返回的概率，每个输入将输入分配给一个互斥的类别并计算丢失。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。

选项=培训选项（'sgdm'，．..'italllearnrate'，0.01，．..“MaxEpochs”，4，．..'洗牌'，'每个时代'，．..'vightationdata'imdsValidation,．..'验证职业'，30，．..'verbose'，错误的，．..“阴谋”，“训练进步”）;

使用训练数据训练网络

使用由架构定义的架构列车层、培训数据和培训选项。默认情况下,Trainnetwork.如果一个可用的GPU，则使用GPU，否则，它使用CPU。GPU培训需要并行计算工具箱™和支持的GPU设备。万博1manbetx有关支持设备的信息，请参阅万博1manbetxGPU通万博1manbetx过发布支持(并行计算工具箱)．属性也可以指定执行环境“ExecutionEnvironment”名称 - 值对参数培训选项．

培训进度图显示了迷你批量损失和准确性以及验证损耗和准确性。有关培训进度情节的更多信息，请参阅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。

net = trainnetwork（Imdstrain，图层，选项）;

分类验证图像并计算精度

使用培训的网络预测验证数据的标签，并计算最终的验证精度。准确性是网络正确预测的标签的分数。在这种情况下，超过99％的预测标签匹配验证集的真标。

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

精度= 0.9988.