2021-08-06MATLAB深度学习简单应用

Matlab深度学习的简单实现

该实例源自MATLAB的官方学习课程中的《深度学习入门之旅》的课后练习项目，对已给的“显微镜下蛔虫图像”进行训练，最后识别出dead or alive。

课程官网链接：https://matlabacademy.mathworks.com/cn

1.准备部分

练习项目的数据集所需的数据集及标签链接：https://pan.baidu.com/s/1wWWTgGMDqJgEEhOGbDzERA 提取码：dp9m
MATLAB中有关深度学习的网络可能需要自己去 附加功能资源管理器 安装。

图1 MATLAB附加功能资源管理器

2.具体实现

导入数据集。
```
wormds = imageDatastore('Roundworms\WormImages');
```
MATLAB中的imageDatastore 函数用来创建一个数据集合存储，指定文件夹名称或者文件名，这样可以批量引入多个文件。

此处导入数据集中的显微镜蛔虫图像。
```
montage(wormds);
```
然后可以用montage来预览批量导入的图像，如下图所示：

图2 montage函数下的WormImages

标注数据集
```
lifelabel = readtable('Roundworms\WormData.csv');
wormds.Labels = categorical(lifelabel.Status);
```
训练所需的标签，一般存储在图像存储集合（wormds）中的Labels属性，将.csv表格文件中的图像分类结果读入，并作为图像标签；

图3 部分标签worm.Labels

拆分 & 训练数据
```
% 80%的数据用来训练，20%用来测试 （随机）
[wormTrain,wormTest] = splitEachLabel(wormds,0.8,'randomized');
```
splitEachLabel(images,n,'randomized') 函数可以将一个数据集合分成两部分，这样可以一部分图片作为训练集，另一部分作为测试集。其中n如果是(0,1)范围，则表示百分比；如果是整数，则直接代表确切数量。

randomized 是一个随机排序的方法，因为 splitEachLabel 本身默认保持文件有序，可以添加随机标志来实现随机排序。
调整神经网络

AlexNet由2012年的ImageNet冠军Hinton及其学生Alex Krizhevsky设计的一种卷积网络框架。这次练习利用“迁移学习”的概念对其进行改动，调整网络层（network layers）、训练数据（training data）、训练选项（training options）等要素。

图4 AlexNet网络结构图
```
net = alexnet;
ly = net.layers;   %用ly表示网络的各个层
inputlayer = ly(1);
outlayer = ly(end);
categoryname = outlayer.Classes;
```
也可以通过MATLAB的附加资源管理器下载如GoogleNet等其他神经网络。

AlexNet输入为227x227x3，可以查看输入层的 InputSize 属性来了解一个网络的输入大小要求，也可以通过 size() 函数查看数据集中的图像尺寸，来验证是否需要预处理调整尺寸。

前馈网络在MATLAB中以一个层数组来表示，方便进行索引和调整更改。
```
%修改网络参数
%2个标签 创建一个新的全连接层
fclayer = fullyConnectedLayer(2);
%用新层替换原有的最后一个全连接层
ly(23) = fclayer;
%用classificationLayer函数为图像分类网络构建一个新的输出层
ly(end) = classificationLayer;
```
设置训练选项

通常改动的训练选项包括：
- **Batch Size：**每步训练的数据量；
- **Max Iterations：**最大迭代次数；
- **Learning Rate：**学习率；
```
%opts = trainingOptions('sgdm','Name',value)
opts = trainingOptions('sgdm','InitialLearnRate',0.001);
```
创建一个包含动态随机梯度下降 SGDM 优化器的训练算法变量 opts 其中batch size和max iterations都使用默认，因为数据量少，训练的速度比较快，学习率可以先设的低一点，0.001。
输入数据，执行训练

由于本身的WormImages尺寸并不完全是AlexNet所要求的‘227x227x3’，即尺寸为227x227的RGB图像，因此我们需要进行一下调整，否则使用net进行训练和预测时会报错。
```
audsTrain = augmentedImageDatastore([227 227],wormTrain,'ColorPreprocessing','gray2rgb');
audsTest = augmentedImageDatastore([227 227],wormTest,'ColorPreprocessing','gray2rgb');
```
在第3步中我将原有的数据集拆分成了wormTrain和wormTest两部分，且后面都会用到，所以都进行预处理。ColorPreprocessing 属性可以将灰度图转化为三维数组。

完成对图像的预处理后，输入调整好的网络执行训练：
```
[wormnet,info] = trainNetwork(audsTrain,ly,opts);
```
放入训练数据、网络、训练选项。

图5 训练信息
性能评估

第6步中的训练部分获得了结构体 info ，这里面包含了三个训练信息：TrainingLoss(损失率)、TrainingAccuracy(准确率)、BaseLearnRate(学习率)。

我们可以绘制损失率和准确率的图像来观察训练效果。

图6 TrainingAccuracy和TrainingLoss图像

从准确率和损失率看起来，网络的性能很好，接下来要验证在真实数据上的表现：
```
wormpreds = classify(wormnet,audsTest);
```
将6中训练好的网络wormnet 用来对准备好的测试集 audsTest 进行测试，并将结果存在wormpreds 中。
```
wormactual = wormTest.Labels; %已知的分类存储在测试集的Label标签属性中；
num_correct = nnz(wormpreds == wormactual);      %预测正确的数量；
pencent_correct = num_correct/numel(wormpreds);        %预测正确百分比；
confusionchart(wormactual,wormpreds);       %预测结果的混淆矩阵；
```
nnz 函数可以确定一个非零矩阵中元素的数目，可以用来比较有多少个预测值与真实值相匹配。

confusionchart 函数可以计算并显示预测分类的混淆矩阵：
```
confusionchart(knownclass,predictedclass)；
```
它会绘制一个横、纵轴标签相同的矩阵，横轴为预测值，纵轴为真实值，因此在对角线上的元素代表正确分类，非对角线上的元素代表误分类。最终绘制结果如下图所示：

图7 预测结果的混淆矩阵

因为原始数据WormImages中共93个图像，在第3步拆分中，我将其中的80%（74个图像）用作训练集，20%（19个）图像作为测试集。从图7混淆矩阵结果可以看出，网络对19个测试图像进行了准确的分类。

完整代码（网盘下载的压缩包中有官方的代码，它用的是另一个网络，但方法和原理都是一样的）。

%深度学习课程检验%1.构建数据集
wormds = imageDatastore('Roundworms\WormImages');%1.1标注
lifelabel = readtable('Roundworms\WormData.csv');
wormds.Labels = categorical(lifelabel.Status);%display images
%montage(wormds);%1.2处理数据集
%60%的数据用来训练，40%用来测试 （随机）
[wormTrain,wormTest] = splitEachLabel(wormds,0.8,'randomized');%1.3网络
net = alexnet;
ly = net.Layers;
inputlayer = ly(1);
outlayer = ly(end);
categoryname = outlayer.Classes;%图像大小
%expectsz = inputlayer.InputSize;%1.4图像预处理
% img1 = imread('Roundworms\WormImages\wormA01.tif');
% imshow(img1);
% img1_sz = size(img1);
% img1= imresize(img1,[227 227]);
% imshow(img1);%1.5图像批量处理
%灰度图转为三维rgb图像
audsTrain = augmentedImageDatastore([227 227],wormTrain,'ColorPreprocessing','gray2rgb');
audsTest = augmentedImageDatastore([227 227],wormTest,'ColorPreprocessing','gray2rgb');%1.6研究预测
% [preds,scores] = classify(net,audsTrain);% %预测分数图像绘制
% highscores = scores > 0.01;
% bar(scores(highscores));%1.7修改网络
fclayer = fullyConnectedLayer(2);
ly(23) = fclayer;
ly(end) = classificationLayer;%1.8设置训练选项
opts = trainingOptions('sgdm','InitialLearnRate',0.001);%1.9性能评估
[wormnet,info] = trainNetwork(audsTrain,ly,opts);%损失率
trainingloss = info.TrainingLoss;
trainingAccu = info.TrainingAccuracy;
subplot(2,1,1);
plot(trainingAccu,'r');
legend('Accuracy');title('TrainingAccuracy');
xlabel('Batch(s)');ylabel('Accuracy(%)')
grid on;
subplot(2,1,2);
plot(trainingloss);title('TrainingLoss');
xlabel('Batch(s)');ylabel('Loss(%)')
legend('Loss');
grid on;%真实数据验证
wormpreds = classify(wormnet,audsTest);wormactual = wormTest.Labels;
num_correct = nnz(wormpreds == wormactual);
pencent_correct = num_correct/numel(wormpreds);
confusionchart(wormactual,wormpreds);

参考

[1] MATLAB深度学习入门之旅

2021-08-06MATLAB深度学习简单应用相关推荐

【深度学习】李宏毅2021/2022春深度学习课程笔记 - Deep Learning Task Tips
文章目录一.深度学习步骤回顾二.常规指导三.训练过程中Loss很大 3.1 原因1:模型过于简单 3.2 原因2:优化得不好 3.3 原因1 or 原因2 ? 四.训练过程Loss小.测试过程L ...
【深度学习】李宏毅2021/2022春深度学习课程笔记 - Convolutional Neural NetWork（CNN）
文章目录一.图片分类问题二.观察图片分类问题的特性 2.1 观察1 2.2 简化1:卷积 2.3 观察2 2.4 简化2:共享参数 - 卷积核 2.5 观察3 2.6 简化3:池化 2.6.1 M ...
【李宏毅机器学习2021】Task04 深度学习介绍和反向传播机制
[李宏毅机器学习2021]本系列是针对datawhale<李宏毅机器学习-2022 10月>的学习笔记.本次是对深度学习介绍和反向传播机制的学习总结.本节针对上节课内容,对batch.梯度 ...
干货 | 2021年，深度学习还有哪些研究方向可以做？
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达作者丨谢凌曦.数据误码率.Zhifeng 来源丨知乎问答编辑丨极市 ...
2021年，深度学习还有哪些未饱和、有潜力且处于上升期的研究方向？
作者丨谢凌曦.数据误码率.Zhifeng 来源丨知乎问答编辑丨极市平台问题链接: https://www.zhihu.com/question/460500204 0 1 作者:谢凌曦来源链接: ...
2021年，深度学习还有哪些有潜力且处于上升期的研究方向？
点上方计算机视觉联盟获取更多干货仅作学术分享,不代表本公众号立场,侵权联系删除转载于:作者丨谢凌曦.数据误码率.Zhifeng 来源丨知乎问答编辑丨极市平台 AI博士笔记系列推荐周志华< ...
2021年，深度学习的发展趋势是什么？有哪些值得关注的新动向？
作者丨刘斯坦,电光幻影炼金术来源丨知乎问答编辑丨极市平台 [导读]到目前为止,深度学习领域的发展趋势是什么?有哪些值得关注的新动向?在应用领域,诸如cv,nlp等,研究思路是否有新的变化? 问题来 ...
笔记：计算机视觉与深度学习-简单的实现一个网络-番外篇
写在开头 1.课程来源及所有代码来源,后面不再每一步中标明了:pytorch官方网站的Tutorials.和Docs. 2.笔记目的:个人学习+增强记忆+方便回顾 3.时间:2021年4月19日 4. ...
【深度学习】李宏毅2021/2022春深度学习课程笔记 - 机器学习的可解释性
文章目录一.为什么我们需要可解释性的机器学习二.可解释性的 vs 强大的(Powerful) 三.可解释性机器学习的目标四.可解释性的机器学习 4.1 Local Explanation 局部的 ...
【深度学习】李宏毅2021/2022春深度学习课程笔记 - Auto Encoder 自编码器 + PyTorch实战
文章目录一.Basic Idea of Auto Encoder 1.1 Auto Encoder 结构 1.2 Auto Encoder 降维 1.3 Why Auto Encoder 1.4 D ...

2021-08-06MATLAB深度学习简单应用

Matlab深度学习的简单实现

1.准备部分

2.具体实现

2021-08-06MATLAB深度学习简单应用相关推荐

最新文章

热门文章