(精品word)卷积神经网络CNN代码解析-matlab(精品word)卷积神经网络CNN代码解析-matlabPAGE\*MERGEFORMAT12内蒙古大学计算机学院模式识别小组小强HYPERLINK"mailto:huangzhiqiang@89.com"459125872@qq.com(精品word)卷积神经网络CNN代码解析-matlab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,卷积CAE)的作者是RasmusBergPalmHYPERLINK"mailto：（rasmusbergpalm＠gmail.com)，”（rasmusbergpalm＠gmail.com)代码下载:HYPERLINK”https：//github。com/rasmusbergpalm/DeepLearnToolbox"https://github.com/rasmusbergpalm/DeepLearnToolbox这里我们介绍deepLearnToolbox-master中的CNN部分。DeepLearnToolbox-master中CNN内的函数：调用关系为：该模型使用了mnist的数字mnist_uint8。mat作为训练样本，作为cnn的一个使用样例，每个样本特征为一个28＊28=的向量.网络结构为：让我们来看看各个函数：TOC\o”1—3”\h\uHYPERLINK\l_Toc7456一、Test_example_CNN:PAGEREF_Toc74562HYPERLINK\l_Toc8409三、cnntrain.mPAGEREF_Toc84095HYPERLINK\l_Toc4498四、cnnff.mPAGEREF_Toc44986HYPERLINK\l_Toc16109五、cnnbp.mPAGEREF_Toc161097HYPERLINK\l_Toc7862五、cnnapplygrads。mPAGEREF_Toc786210HYPERLINK\l_Toc21625六、cnntest。mPAGEREF_Toc2162511Test_example_CNN：Test_example_CNN：1设置CNN的基本参数规格，如卷积、降采样层的数量,卷积核的大小、降采样的降幅2cnnsetup函数初始化卷积核、偏置等3cnntrain函数训练cnn，把训练数据分成batch,然后调用3.1cnnff完成训练的前向过程，3.2cnnbp计算并传递神经网络的error,并计算梯度（权重的修改量）3.3cnnapplygrads把计算出来的梯度加到原始模型上去4cnntest函数，测试当前模型的准确率该模型采用的数据为mnist_uint8。mat，含有70000个手写数字样本其中60000作为训练样本，10000作为测试样本。把数据转成相应的格式，并归一化。设置网络结构及训练参数初始化网络，对数据进行批训练,验证模型准确率绘制均方误差曲线二、Cnnsetup.m该函数你用于初始化CNN的参数.设置各层的mapsize大小，初始化卷积层的卷积核、bias尾部单层感知机的参数设置＊bias统一设置为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)）对于卷积核权重，输入输出为fan_in,fan_outfan_out=net。layers{l｝.outputmaps＊net。layers{l｝.kernelsize^2;％卷积核初始化，1层卷积为1＊6个卷积核，2层卷积一共6＊12=72个卷积核。对于每个卷积输出featuremap，％fan_in=表示该层的一个输出map，所对应的所有卷积核，包含的神经元的总数。1*25,6*25fan_in=numInputmaps*net。layers{l｝。kernelsize^2;fin=1＊25or6＊25fout=1＊6*25or6＊12＊25net.layers{l}。k｛i｝{j}=(rand(net.layers{l｝。kernelsize)—0.5）*2*sqrt（6/（fan_in+fan_out）);1卷积降采样的参数初始化2尾部单层感知机的参数（权重和偏量)设置:三、cnntrain.m该函数用于训练CNN.生成随