1、 内蒙古大学 计算机学院 模式识别小组 小强 1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 Rasmus Berg Palm ()代码下载：https:/ 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
2、，作为 cnn 的一个使用样例，每个样本特征为一个 28*28=的向量。内蒙古大学 计算机学院 模式识别小组 小强 2网络结构为：让我们来看看各个函数：一、Test_example_CNN: .2三、cnntrain.m 5四、cnnff.m 6五、cnnbp.m .7五、cnnapplygrads.m .10六、cnntest.m .111、 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
3、据分成 batch，然后调用3.1 cnnff 完成训练的前向过程，内蒙古大学 计算机学院 模式识别小组 小强 33.2 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。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
4、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：-11 之间的随机数/sqrt（6/ （输入神经元数量+ 输出神经元数量） ）内蒙古大学 计算机学院 模式识别小组 小强 4对于卷积核权重，输入输出为 fan_in, fan_outfan_out = net.layersl.outputmaps * net.layersl.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_
5、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.layersl.kernelsize 2;fin =1*25 or 6*25fout=1*6*25 or 6*12*25net.layersl.kij = (rand(net.layersl.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：内蒙古大学 计算机学院 模式识别小组 小强 5三、cnntrain.m该函数
6、用于训练 CNN。生成随机序列，每次选取一个 batch（50）个样本进行训练。批训练：计算 50 个随机样本的梯度，求和之后一次性更新到模型权重中。在批训练过程中调用：Cnnff.m 完成前向过程Cnnbp.m 完成误差传导和梯度计算过程Cnnapplygrads.m 把计算出来的梯度加到原始模型上去内蒙古大学 计算机学院 模式识别小组 小强 6四、cnnff.m1、取得 CNN 的输入2、两次卷积核降采样层处理3、尾部单层感知机的数据处理，需要把 subFeatureMap2 连接成为一个(4*4)*12=192 的向量，但是由于采用了 50样本批训练的方法，subFeatureMap2
7、 被拼合成为一个 192*50 的特征向量 fv；Fv 作为单层感知机的输入，全连接的方式得到输出层内蒙古大学 计算机学院 模式识别小组 小强 7五、cnnbp.m该函数实现 2 部分功能，计算并传递误差，计算梯度1、计算误差和 LossFunction2、计算尾部单层感知机的误差3、把单层感知机的输入层 featureVector 的误差矩阵，恢复为 subFeatureMap2 的 4*4 二维矩阵形式内蒙古大学 计算机学院 模式识别小组 小强 8插播一张图片：4、误差在特征提取网络【卷积降采样层】的传播如果本层是卷积层，它的误差是从后一层（降采样层）传过来，误差传播实际上是用降采样的
8、反向过程，也就是降采样层的误差复制为 2*2=4 份。卷积层的输入是经过 sigmoid 处理的，所以，从降采样层扩充来的误差要经过sigmoid 求导处理。如果本层是降采样层，他的误差是从后一层（卷积层）传过来，误差传播实际是用卷积的反向过程，也就是卷积层的误差，反卷积（卷积核转 180 度）卷积层的误差，原理参看插图。内蒙古大学 计算机学院 模式识别小组 小强 95、计算特征抽取层和尾部单层感知机的梯度内蒙古大学 计算机学院 模式识别小组 小强 10五、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+bias2 更新末尾单层感知机的权重 weight+bias内蒙古大学 计算机学院 模式识别小组 小强 11六、cnntest.m验证测试样本的准确率
