DeepLearningtoolbox(7):cnnff.m
来源:互联网 发布:网络人肉搜索现象分析 编辑:程序博客网 时间:2024/06/07 03:13
%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 end end
%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map for 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))]; end net.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
0 0
- DeepLearningtoolbox(7):cnnff.m
- DeepLearningtoolbox(2):cnnexample.m
- DeepLearningtoolbox(3):cnnsetup.m
- DeepLearningtoolbox(4):cnntrain.m
- DeepLearningtoolbox(5):cnntest.m
- DeepLearningtoolbox(6):cnnapplygrads.m
- DeepLearningtoolbox(8):cnnbp.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——cnnff.m
- 卷积神经网络 cnnff.m程序 中的前向传播算法 数据 分步解析
- 卷积神经网络 cnnff.m程序 中的前向传播算法 数据 分步解析
- 对deeplearningToolBox的一点理解(SAE篇)
- 【RBM】代码学习--DeepLearningToolBox
- DeepLearningToolBox学习——NN(neural network)
- poj 1036 n!/(n-m)!*m!
- DeepLearningToolBox学习——RBM(Restrict Boltzmann Machine)
- DeepLearningToolBox学习——RBM(Restrict Boltzmann Machine)II
- DeepLearningToolBox学习——DBN(Deep Belief Net )
- 第一章小记
- EBS版本信息查看
- javaAPI之String类和StringBufer类
- 超完整的 Chrome 浏览器客户端调试大全
- 问题记录(持续更新)
- DeepLearningtoolbox(7):cnnff.m
- ubuntu下修改mysql数据文件目录
- Drools入门系列
- 正则表达式
- 项目中使用Redis的一些总结和体会
- 访问localhost显示You don't have permission to access / on this serv
- Android开发——seekBar滑动条滑动改变图片的透明度
- C#winfrom播放器动态加载歌词
- [LeetCode] Valid Parentheses 验证括号