深度学习12：能力提升， 一步一步的介绍如何自己构建网络和训练，利用MatConvNet

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。

前期工作：下载安装matlab和下载MatConvNet以及下载GPU相关文件和配置GPU。 具体请参见我之前的文章： 1. 深度学习 2. MatConvNet（CNN）的配置和相关实验结果,CNN学习使用（本人project作业） ： http://blog.csdn.net/qq_20259459/article/details/54092277 2. 深度学习 3. MatConvNet (CNN)的介绍和下载以及CPU和GPU的安装配置，Matlab2016 ： http://blog.csdn.net/qq_20259459/article/details/54093550

准备工作： 1. 打开Matlab，配置相关文件的路径（http://blog.csdn.net/qq_20259459/article/details/54092277） 2. 输入 mex -setup cpp 3. 输入 vl_compilenn 4. 输入 compileGPU 没有报错则配置完成。

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。

注： imdb结构体： 1. 这是用于cnn_train中的结构体，也就是实际训练的部分。 2. 该结构体内共有4个部分，由data，label，set，class组成。   data:包含了train data和test data。   label:包含了train label和test label。   set:set的个数个label的个数是相等的，set=1表示这个数据是train data，set=3则表示这个数据是test data。   以此方法用于计算机自己判断的标准。   class:于数据中的class完全一样。 3. imdb构造时遵循train在上层，test在下层的顺序。 4. 相关的data需要进行泛化处理。

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 ;