MATLAB实现CNN一般会用到deepLearnToolbox-master。但是根据Git上面的说明，现在已经停止更新了，而且有很多功能也不太能够支持，具体的请大家自习看一看Git中的README。

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 Rasmus Berg Palm (rasmusbergpalm@)

代码下载：外链网址已屏蔽

这里我们介绍deepLearnToolbox-master中的CNN部分。

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：

Test_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

2 cnnsetup函数 初始化卷积核、偏置等

3 cnntrain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

3.2 cnnbp计算并传递神经网络的error，并计算梯度(权重的修改量)

3.3 cnnapplygrads 把计算出来的梯度加到原始模型上去

4 cnntest 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。

load mnist_uint8;

train_x = double(reshape(traub.x',28,28,60000))/255;

test_x = double(reshape(test_x',28,28,10000))/255;

train_y = double(train_y');

test_y = double(test_y');

设置网络结构及训练参数

%% ex1 Train a 6c-2s-12c-2s Convolutional neural network

%% will run 1 epoch in about 200 second and get around 11% error

%% with 100 epochs you' will get around 1.2% error

rand('state',0);

cnn.layers = {

struct('type','i') %input layer

struct('type','c','outputmaps',6,'kernelsize',5) % convolution layer

struct('type','s','scale',2) %sub sampling layer

struct('type','c','outputmaps',12,'kernelsize',5) % convolutional layer

struct('type','s','scale',2) % sub sampling layer

%% 训练选项，alpha学习效率(不用)，batchsiaze批训练总样本的数量，numepoches迭代次数

opts.alpha = 1;

opts.batchsize = 50;

opts.numepochs = 1;

初始化网络，对数据进行批训练，验证模型准确率。

cnn = cmmsetup(cnn, train_x, train_y);

cnn = cnntrain(cnn, train_x, train_y, opts);

[er, bad] = cnntest(cnn, test_x, test_y);

绘制均方误差曲线

%plot mean squared error

figure; plot(cnn.rL);

Cnnsetup.m

cnntrain.m

cnnff.m

cnnbp.m

cnnapplygrads.m

该函数完成权重修改，更新模型的功能

1更新特征抽取层的权重 weight+bias

2 更新末尾单层感知机的权重 weight+bias

function net = cnnapplygrads(net, opts) %使用梯度

%特征抽取层(卷机降采样)的权重更新

for l = 2 : numel(net.layers) %从第二层开始

if strcmp(net.layers{l}.type, 'c')%对于每个卷积层

for j = 1 : numel(net.layers{l}.a)%枚举该层的每个输出

%枚举所有卷积核net.layers{l}.k{ii}{j}

for ii = 1 : numel(net.layers{l - 1}.a)%枚举上层的每个输出

net.layers{l}.k{ii}{j} = net.layers{l}.k{ii}{j} - opts.alpha * met.layers{l}.dk{ii}{j};

end

%修正bias

net.layers{l}.b{j} = net.layers{l}.b{j} - opts.alpha * net.layers{l}.db{j};

end

end

end

%单层感知机的权重更新

net.ffW = net.ffW - opts.alpha * net.dffW;

net.ffb = net.ffb - opts.alpha * net.dffb;

end

cnntest.m

验证测试样本的准确率

%验证测试样本的准确率

function [er, bad] = cnntest(net, x, y)

% feedforward

net = cnnff(net, x);

[~, h] = max(net.o);

[~, a] = max(y);

%find(x) FIND indices of nonzero elements

bad = find(h ~= a); %计算预测错误的样本数量

er = numel(bad) / size(y, 2); % 计算错误率

end