深度学习Matlab工具箱代码注释——cnnff.m
来源:互联网 发布:python 伯乐在线 编辑:程序博客网 时间:2024/05/22 16:06
%%=========================================================================%函数名称:cnnff()%输入参数:net,神经网络;x,训练数据矩阵;%输出参数:net,训练完成的卷积神经网络%主要功能:使用当前的神经网络对输入的向量进行预测%算法流程:1)将样本打乱,随机选择进行训练;% 2)讲样本输入网络,层层映射得到预测值%注意事项:1)使用BP算法计算梯度%%=========================================================================function net = cnnff(net, x)n = numel(net.layers); %层数net.layers{1}.a{1} = x; %网络的第一层就是输入,但这里的输入包含了多个训练图像inputmaps = 1; %输入层只有一个特征map,也就是原始的输入图像for l = 2 : n %对于每层(第一层是输入层,循环时先忽略掉) if strcmp(net.layers{l}.type, 'c') %如果当前是卷积层 for j = 1 : net.layers{l}.outputmaps %对每一个输入map,需要用outputmaps个不同的卷积核去卷积图像 %%========================================================================= %主要功能:创建outmap的中间变量,即特征矩阵 %实现步骤:用这个公式生成一个零矩阵,作为特征map %注意事项:1)对于上一层的每一张特征map,卷积后的特征map的大小是:(输入map宽 - 卷积核的宽 + 1)* (输入map高 - 卷积核高 + 1) % 2)由于每层都包含多张特征map,则对应的索引则保存在每层map的第三维,及变量Z中 %%========================================================================= z = zeros(size(net.layers{l - 1}.a{1}) - [net.layers{l}.kernelsize - 1 net.layers{l}.kernelsize - 1 0]); for i = 1 : inputmaps %对于输入的每个特征map %%========================================================================= %主要功能:将上一层的每一个特征map(也就是这层的输入map)与该层的卷积核进行卷积 %实现步骤:1)进行卷积 % 2)加上对应位置的基b,然后再用sigmoid函数算出特征map中每个位置的激活值,作为该层输出特征map %注意事项:1)当前层的一张特征map,是用一种卷积核去卷积上一层中所有的特征map,然后所有特征map对应位置的卷积值的和 % 2)有些论文或者实际应用中,并不是与全部的特征map链接的,有可能只与其中的某几个连接 %%========================================================================= z = z + convn(net.layers{l - 1}.a{i}, net.layers{l}.k{i}{j}, 'valid'); end net.layers{l}.a{j} = sigm(z + net.layers{l}.b{j}); %加基(加上加性偏置b) end inputmaps = net.layers{l}.outputmaps; %更新当前层的map数量; elseif strcmp(net.layers{l}.type, 's') %如果当前层是下采样层 for j = 1 : inputmaps %%========================================================================= %主要功能:对特征map进行下采样 %实现步骤:1)进行卷积 % 2)最终pooling的结果需要从上面得到的卷积结果中以scale=2为步长,跳着把mean pooling的值读出来 %注意事项:1)例如我们要在scale=2的域上面执行mean pooling,那么可以卷积大小为2*2,每个元素都是1/4的卷积核 % 2)因为convn函数的默认卷积步长为1,而pooling操作的域是没有重叠的,所以对于上面的卷积结果 % 3)是利用卷积的方法实现下采样 %%========================================================================= z = convn(net.layers{l - 1}.a{j}, ones(net.layers{l}.scale) / (net.layers{l}.scale ^ 2), 'valid'); net.layers{l}.a{j} = z(1 : net.layers{l}.scale : end, 1 : net.layers{l}.scale : end, :); %跳读mean pooling的值 end endend%%=========================================================================%主要功能:输出层,将最后一层得到的特征变成一条向量,作为最终提取得到的特征向量%实现步骤:1)获取倒数第二层中每个特征map的尺寸% 2)用reshape函数将map转换为向量的形式% 3)使用sigmoid(W*X + b)函数计算样本输出值,放到net成员o中%注意事项:1)在使用sigmoid()函数是,是同时计算了batchsize个样本的输出值%%=========================================================================net.fv = []; %net.fv为神经网络倒数第二层的输出mapfor j = 1 : numel(net.layers{n}.a) %最后一层的特征map的个数 sa = size(net.layers{n}.a{j}); %第j个特征map的大小 net.fv = [net.fv; reshape(net.layers{n}.a{j}, sa(1) * sa(2), sa(3))];endnet.o = sigm(net.ffW * net.fv + repmat(net.ffb, 1, size(net.fv, 2))); %通过全连接层的映射得到网络的最终预测结果输出end
原文链接
阅读全文
0 0
- 深度学习Matlab工具箱代码注释——cnnff.m
- 深度学习Matlab工具箱代码注释——cnnff.m
- 深度学习Matlab工具箱代码注释——MnistTest.m
- 深度学习Matlab工具箱代码注释——cnnsetup.m
- 深度学习Matlab工具箱代码注释——cnntrain.m
- 深度学习Matlab工具箱代码注释——cnnbp.m
- 深度学习Matlab工具箱代码注释——cnnapplygrads.m
- 深度学习Matlab工具箱代码注释——cnntrain.m
- 深度学习Matlab工具箱代码注释——cnnsetup.m
- 深度学习Matlab工具箱代码注释——cnnsetup.m
- 深度学习Matlab工具箱代码注释——cnntrain.m
- 深度学习Matlab工具箱代码注释——cnnbp.m
- 深度学习Matlab工具箱代码注释——cnnapplygrads.m
- 深度学习Matlab工具箱代码注释——MnistTest.m
- 深度学习Matlab工具箱代码注释
- Matlab深度学习笔记——深度学习工具箱说明
- 深度学习Matlab工具箱代码详解
- 深度学习Matlab工具箱代码详解
- Vue之todoList
- mysql sql语句大全
- STM32的4中输出模式
- IDEA创建maven 一直loading archetype list
- CSS3 resize 属性
- 深度学习Matlab工具箱代码注释——cnnff.m
- 二叉树的定义、性质及常见题
- 释放性能原力觉醒,UWA助力独立游戏信马由缰!
- 二叉树后序遍历
- 【图论】【最小生成树】【kruskal+prime】
- nginx(信号量)
- 经典的卷积神经网络-AlexNet
- .net图片基本操作类
- 分支结构程序设计体验