无极lllapp-无极网络测试-无极娱乐账号注册

    
当前位置:首页无极lllapp正文
admin

应用,Matlab编程之——卷积神经网络CNN代码解析

  6天前     272     0
简介:Matlab编程之——卷积神经网络CNN代码解析卷积神经网络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...

Matlab编程之——卷积神经网络CNN代码解析

卷积神经网络CNN代码解析

deepLearnToolbox-master是一个深度学习matlab包,里边含有许多机器学习算法,如卷积神经网络CNN,深度信仰网络DBN,自动编码AutoE

ncoder(仓库SAE,卷积CAE)的作者是 RasmusBerg Palm

今日给介绍deepLearnToolbox-master中的CNN部分肺气肿能治好吗。

  • DeepLearnToolbox-master中CNN内的函数:

该模型运用了mnist的数字mnist_uint8.mat作为练习样本,作为c安东尼戴维斯nn的一个运用挂机屋阿淡样例,每个样本特征为一个28*28=的向量。

  • 网络结构为:

-让我们来剖析各个函数:

一、Test_example_CNN

三、cnntrain.m.

四、cnnff.m.

五、cnnbp.m.

五、cnnapplygrads.m.

六、cnntest.m.

一面部提高、Test_exam税率使用,Matlab编程之——卷积神经网络CNN代码解析ple_CNN:

1设置CNN的基本参数标准,如卷积、降采使用,Matlab编程之——卷积神经网络CNN代码解析样层的数量,卷积核的巨细、降采样的降幅陈思成

2 cnnsetup函数 初始化卷积核、偏置等

3 cnntrain函数 练习cnn,把练习数据分红batch,然后调用

3.1姜文被传心梗逝世 cnnff 完必应查找成练习的前向进程,

3.2 cnnbp核算并传递神u罗汉经网络的error,并核算梯度(权重的修正量)

3.3 cnnapplygrads 把核算出来的梯度加到原始模型上去

4 cnntest函数,测验当时模型的准确率

该模型选用的数据为mnist_uin继电器t8.mat,

含有70000个手写数字样本其间60000作为练习样本,10000作为测验样本。

把数据转成相应的格局,并归一化。

  • 设置网络结构及练习参数

  • 初始化网络,对数据进行批练习,验证模型准确率

  • 制作均方差错曲线

二、Cnnsetup.m

该函数你用于初始化CNN的参数。

设置各层的mapsize巨细,

初始化卷积层的卷积核、bias

尾部单层感知机的参数设置

bias一致设置为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))

关于卷积核权重,输入输出为fan_in, fan_out

fan_out= net.layers{l}.outputmaps * net.layers{l安平便民网}.kernelsize ^ 2;

%卷积核初始化,1层卷积为16个卷积核,2层卷积总共612=72个卷积核。关于每个卷积输出featuremap,

%fan_in= 表明该层的一个输出map,所对应的一切卷积核,包括的神经元的总数。125,625

fan_in =ntkumInputmaps * net.layers{l}.kernelsize ^ 2;

fin=125 or 625

fout=1625 or 61225

net.layers{l}.k{i}{j} =(rand(net.layers{l}.kernelsize) - 0.5) * 2 * sqrt(6 / (fan_in + fan_out));

1使用,Matlab编程之——卷积神经网络CNN代码解析、卷积降采样的参数初始化

2、尾部亚洲色单层感知机的参数(权重和偏量)设置:

三、cnntrain.m

该函数用于练习CNN。

生成随机序列,每次选取一个batch(50)个样本进行练习。

批练习:核算50个随机样本的梯度,求和之后一次性更新到模型权重使用,Matlab编程之——卷积神经网络CNN代码解析中。

在批练习进程中调用:

Cnn心爱网名ff.m 完结前向过使用,Matlab编程之——卷积神经网络CNN代码解析程

C画饼充饥nnbp.m 完结差错传导和梯度核算进程

Cnnapplygrads.m把核算出来的梯度加到原始模型上去

四、cnn中山医院ff.m

1、获得CNN的输入

2、两次卷积核降采样层处理

3、尾部单层感知机的数据处理,需要把subFeatureMap2衔接成为使用,Matlab编程之——卷积神经网络CNN代码解析一个(4*4)12=192的向量,可是因为选用了50样本批练习的办法,subFeatureMap2被拼合成为一个19250的特征向量fv;使用,Matlab编程之——卷积神经网络CNN代码解析

Fv作为单层感知机的输入,全衔接的方法得到输出层

五、cnnbp.m

该函数完结2部分功用,核算并传递差错,核算梯度

1、核算差错和LossFunction

2、核算尾部单层感知机的差错

3、把单层感知机的输入层featureVector的差错矩阵,康复为subFeatureMap2的4*4二维矩阵方式

插播一张图片:

4、差错在特征提取网络【卷积降采样层】的传达

假如本层是卷积层,它的差错是从后一层(降采样层)传过来,差错传达实践上是用降采样的反向进程,也便是降采样层的差错复制为2*2=4份。卷积层的输入是通过sigmoid处理的,所以,从降采样层扩大来的差错要通过sigmoid求导处理。

假如本层是降采样层,他的差错是从后一层(卷积层)传过来,差错传达实践是用卷积的反向进程,也便是卷积层的差错,反卷积(卷积核转180度)卷积层的差错,原理参看插图。

5、核算特征抽取层和尾部单层感知机的梯度

五、cnnapply无脸男grads.m

该函数完结权重修正,更新模型的功用

  1. 更新特征抽取层的权重 weight+bias
  2. 更新结尾单层感知机的权重 weight+答案大全bias

六、cnntest.m

验证测验样本的准确率

阅览原文参考文献:K码农-http://kmanong.top/kmn/qxw/form/home?top竹浆纸为什么不能擦嘴_cate=28

声明感谢您对我们网站的认可,非常欢迎各位朋友分享本站内容到个人网站或者朋友圈,
转转请注明出处:http://www.1samurai.com/articles/1285.html
点赞 打赏

打赏方式:

支付宝扫一扫

微信扫一扫

扫一扫
QQ客服:111111111
工作日: 周一至周五
工作时间: 9:00-18:00