卷积神经网络 人脸图像识别 matlab代码

以下是使用Matlab实现卷积神经网络（CNN）进行人脸图像识别的示例代码：

% 加载人脸图像数据集
faceDataset = imageDatastore('path/to/face/dataset', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');

% 定义CNN架构
layers = [
    imageInputLayer([32 32 1])
    convolution2dLayer(3, 32, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 64, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    fullyConnectedLayer(128)
    reluLayer
    dropoutLayer(0.5)
    fullyConnectedLayer(2)
    softmaxLayer
    classificationLayer
];

% 定义训练选项
options = trainingOptions('sgdm', ...
    'MaxEpochs', 20, ...
    'InitialLearnRate', 0.01, ...
    'MiniBatchSize', 32, ...
    'Shuffle', 'every-epoch', ...
    'ValidationData', faceDatasetValidation, ...
    'ValidationFrequency', 10, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

% 训练CNN
faceCNN = trainNetwork(faceDatasetTrain, layers, options);

% 测试分类器
faceDatasetTest = imageDatastore('path/to/face/testset', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');
facePred = classify(faceCNN, faceDatasetTest);
accuracy = mean(facePred == faceDatasetTest.Labels);
fprintf('Accuracy: %f\n', accuracy);

这个例子中，我们首先加载了一个包含人脸图像的数据集。然后定义了一个包含卷积层、批量标准化层、ReLU层、最大池化层、全连接层、dropout层、softmax层和分类层的CNN架构。接着，我们定义了训练选项，包括优化算法、最大迭代次数、学习率、mini-batch大小、验证集和其它参数。最后，我们使用训练数据训练CNN，并使用测试数据测试分类器的准确率。