从头开始训练一个模型

1.访问数据

我们首先下载MNIST图像导入MATLAB。数据集存储在许多不同的文件类型中。这些数据存储为二进制文件，MATLAB可以快速使用并将其重塑为图像。
这几行代码将读取一个原始二进制文件，并创建一个所有训练图像的数组。

rawImgDataTrain = uint8 (fread(fid, numImg * numRows * numCols，“uint8”));将数据部分重塑为4D数组rawImgDataTrain =重塑(rawImgDataTrain， [numRows, numCols, numImgs]);imgDataTrain (:,:, 1, 2) = uint8 (rawImgDataTrain(:,:,(二));

我们可以在命令窗口中输入whoos来检查数据的大小和类别。

> >谁imgDataTrain名称大小字节类imgDataTrain 28x28x1x60000 47040000 uint8

这些图像非常小——只有28 x 28像素——总共有60000张训练图像。

下一个任务将是图像标签，但由于MNIST图像带有标签，我们可以跳过这个乏味的步骤，快速转移到构建我们的神经网络。

由于我们从头开始训练CNN，所以必须首先指定它将以何种顺序包含哪些层。

图层= [imageInputLayer([28 28 1])卷积2dlayer (3,16，“填充”，1) maxPooling2dLayer(2，“步”32岁的,2)convolution2dLayer (3“填充”，1) maxPooling2dLayer(2，“步”, 2) convolution2dLayer (64,“填充”，1) batchNormalizationLayer reluLayer fullyConnectedLayer(10) softmaxLayer classificationLayer];

您可以在文档中了解更多关于所有这些层的信息。

我们首先指定两个选项:绘制进度和小批大小。

miniBatchSize = 8192;选项= trainingOptions(“个”,……“MiniBatchSize”, miniBatchSize,…“阴谋”，“训练进步”）;net = trainNetwork(imgDataTrain, labelsTrain, layers, options);

然后我们运行网络并监控其进展。

对于某些应用程序，这个结果是令人满意的，但是您可能还记得我们的目标是99%。

修改网络配置

从90%提高到99%需要更深入的网络和多轮试错。我们添加了更多的层，包括批处理规范化层，这将有助于加快网络收敛(它对新输入做出正确响应的点)。

这个网络现在“更深了”。这一次，我们将改变网络，但保持训练选项与之前相同。

在网络训练完成后，我们在10,000张图像上测试它。

predLabelsTest = net. category (imgDataTest);precision = sum(predLabelsTest == labelsTest) / numel(labelsTest) testAccuracy = 0.9913

我们现在可以用它来识别在线图像中的手写字母，甚至是实时视频流中的手写字母。

在从头开始创建网络时，您将负责确定网络配置。这种方法为你提供了对网络的最大控制，并且可以产生令人印象深刻的结果，但它需要理解神经网络的结构以及层类型和配置的许多选项。