卷积神经网络图像分类matlab实例

卷积神经网络（Convolutional Neural Network, CNN）在图像分类任务中非常常见，Matlab是一个功能强大的工具，可以用于构建和训练CNN模型。以下是一个简单的步骤概述：

1. **安装工具箱**：首先需要安装MATLAB的深度学习工具箱，如果尚未安装，可以从MathWorks官网下载。

2. **导入数据**：使用` imageDatastore `函数从目录中加载图像数据集，例如MNIST手写数字数据集，`imread`函数用于读取图片。

dataSet = imageDatastore('path/to/images', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');

3. **预处理数据**：通常会调整图像尺寸、归一化像素值等。

4. **定义CNN模型**：使用` layerGraph `创建模型结构，包含卷积层（`conv2dLayer`）、池化层（`maxPooling2dLayer`）、全连接层（`fullyConnectedLayer`）和softmax层（`softmaxLayer`）。例如：

layers = [
    imageInputLayer([28 28 1])
    convolution2dLayer(5, 20) % 5x5滤波器，20个通道
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(5, 50)
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    fullyConnectedLayer(10) % 输出层对应于10个类别
    softmaxLayer
    classificationLayer];

5. **编译模型**：设置优化器、损失函数和评估指标，如交叉熵损失和准确率。

6. **训练模型**：使用` trainNetwork `函数训练模型，传入数据集、模型层、选项结构（例如学习速率、迭代次数）。

options = trainingOptions('sgdm', ... % 使用随机梯度下降法
    'MaxEpochs', epochs, ... % 设定最大迭代轮数
    'MiniBatchSize', miniBatchSize, ...
    'ValidationData', validationData);

net = trainNetwork(dataSet, layers, options);

7. **评估和预测**：使用` classify `函数对新样本进行分类，并计算精度。

[accuracy, loss] = evaluate(net, dataSet);
predictions = classify(net, testData);