本文为原创文章转载必须注明本文出处以及附上 本文地址超链接 以及 博主博客地址:http://blog.csdn.NET/qq_20259459 和 作者邮箱( jinweizhi93@gmai.com )。
(如果喜欢本文,欢迎大家关注我的博客或者动手点个赞,有需要可以邮件联系我)
在上一篇文章中我们已经介绍了自带的cifar-10的code。下面我将非常详细的一步一步的介绍如何训练自己的数据。
开始,新建编辑页 cnn_cifar_my :
这是外层调参和构建imdb结构体的code。
关于调参我会在后面单取一篇来介绍。
函数相互调用顺序:主函数 function [net, info] = cnn_cifar_my(varargin) :
1. 首先初始化网络如下:
opts.batchNormalization = false ; %选择batchNormalization的真假 opts.network = [] ; %初始化一个网络 opts.networkType = 'simplenn' ; %选择网络结构 %%% simplenn %%% dagnn [opts, varargin] = vl_argparse(opts, varargin) ; %调用vl_argparse函数 sfx = opts.networkType ; %sfx=simplenn if opts.batchNormalization, sfx = [sfx '-bnorm'] ; end %这里条件为假 opts.expDir = fullfile(vl_rootnn, 'data', ['cifar10-' sfx]) ; %选择数据存放的路径:data\cifar-baseline-simplenn [opts, varargin] = vl_argparse(opts, varargin) ; %调用vl_argparse函数 opts.dataDir = fullfile(vl_rootnn, 'data', 'cifar10') ; %选择数据读取的路径:data\matconvnet-1.0-beta23\data\cifar opts.imdbPath = fullfile(opts.expDir, 'imdb.mat'); %选择imdb结构体的路径:data\data\cifar-baseline-simplenn\imdb opts.whitenData = true ; opts.contrastNormalization = true ; opts.train = struct() ; %选择训练集返回为struct型 opts = vl_argparse(opts, varargin) ; %调用vl_argparse函数 %选择是否使用GPU,使用opts.train.gpus = 1,不使用:opts.train.gpus = []。 %有关GPU的安装配置请看我的博客:http://blog.csdn.net/qq_20259459/article/details/54093550 if ~isfield(opts.train, 'gpus'), opts.train.gpus = [1]; end; 2. 调用网络结构函数 cnn_cifar_init_my (这个函数用于构造自己的网络结构) :
if isempty(opts.network) %如果原网络为空: net = cnn_cifar_init_my('batchNormalization', opts.batchNormalization, ... % 则调用cnn_cifat_init网络结构 'networkType', opts.networkType) ; else %否则: net = opts.network ; % 使用上面选择的数值带入现有网络 opts.network = [] ; end
3. 接下来将调用得到imdb的相关函数(用于训练的数据集):
if exist(opts.imdbPath, 'file') %如果cifar中存在imdb的结构体: imdb = load(opts.imdbPath) ; % 载入imdb else %否则: imdb = getMnistImdb(opts) ; % 调用getMnistImdb函数得到imdb并保存 mkdir(opts.expDir) ; save(opts.imdbPath, '-struct', 'imdb') ; end %arrayfun函数通过应用sprintf函数得到array中从1到10的元素并且将其数字标签转化为char文字型 net.meta.classes.name = arrayfun(@(x)sprintf('%d',x),1:10,'UniformOutput',false) ; 4. 然后调用网络类型(simplenn,dagnn):
switch opts.networkType %选择网络类型: case 'simplenn', trainfn = @cnn_train ; % 1.simplenn case 'dagnn', trainfn = @cnn_train_dag ; % 2.dagnn end %调用训练函数,开始训练:find(imdb.images.set == 3)为验证集的样本 [net, info] = trainfn(net, imdb, getBatch(opts), ... 'expDir', opts.expDir, ... net.meta.trainOpts, ... opts.train, ... 'val', find(imdb.images.set == 3)) ; 综上所述,我们的流程是:1. 输入网络和参数的初始值。2. 构建训练网络结构。3. 建立训练数据集。4. 选择训练网络的类型。
下面以我自己的数据为例构建一个自己的imdb:
function imdb = getMnistImdb(opts) %% -------------------------------------------------------------- % 函数名:getMnistImdb % 功能: 1.从mnist数据集中获取data % 2.将得到的数据减去mean值 % 3.将处理后的数据存放如imdb结构中 % ------------------------------------------------------------------------ % Preapre the imdb structure, returns image data with mean image subtracted load('TR.mat'); load('TT.mat'); load('TRL.mat'); load('TTL.mat'); x1 = TR; x2 = TT; y1 = TRL; y2 = TTL; %set = 1 对应训练;set = 3 对应的是测试 set = [ones(1,numel(y1)) 3*ones(1,numel(y2))]; %numel返回元素的总数 data = single(reshape(cat(3, x1, x2),128,256,1,[])); %将x1的训练数据集和x2的测试数据集的第三个维度进行拼接组成新的数据集,并且转为single型减少内存 dataMean = mean(data(:,:,:,set == 1), 4); %求出训练数据集中所有的图像的均值 data = bsxfun(@minus, data, dataMean) ; %利用bsxfun函数将数据集中的每个元素逐个减去均值 %将数据存入imdb结构中 imdb.images.data = data ;