MATLAB中如何设置CNN网络的每一层参数

在MATLAB中，可以通过使用 `convolution2dLayer`、`maxPooling2dLayer`、`reluLayer` 等函数来构建 CNN 网络的每一层。这些函数都有一些参数可以设置，例如卷积核大小、步幅、填充方式、池化窗口大小等。

下面是一个简单的例子，展示如何使用这些函数来构建一个包含两个卷积层和一个全连接层的 CNN 网络，并设置每一层的参数：

% 定义网络结构
layers = [
    imageInputLayer([28 28 1])  % 输入层，输入图像大小为 28x28x1
    convolution2dLayer(5, 20)   % 第一个卷积层，使用 20 个 5x5 的卷积核
    reluLayer()                 % 激活层，使用 ReLU 激活函数
    maxPooling2dLayer(2, 'Stride', 2) % 最大池化层，使用 2x2 的池化窗口和步幅 2
    convolution2dLayer(5, 50)   % 第二个卷积层，使用 50 个 5x5 的卷积核
    reluLayer()                 % 激活层，使用 ReLU 激活函数
    maxPooling2dLayer(2, 'Stride', 2) % 最大池化层，使用 2x2 的池化窗口和步幅 2
    fullyConnectedLayer(500)    % 全连接层，有 500 个神经元
    reluLayer()                 % 激活层，使用 ReLU 激活函数
    fullyConnectedLayer(10)     % 输出层，有 10 个神经元，对应 10 个类别
    softmaxLayer()              % Softmax 层，将输出转换为概率
    classificationLayer()       % 分类层，计算损失和分类精度
];

% 设置网络参数
options = trainingOptions('sgdm', ...  % 使用随机梯度下降优化器
    'MaxEpochs', 10, ...               % 最大迭代次数为 10
    'MiniBatchSize', 128);             % 批量大小为 128

% 训练网络
net = trainNetwork(trainData, layers, options);

在上面的例子中，我们定义了一个包含两个卷积层和一个全连接层的 CNN 网络，并设置了每一层的参数。接着，使用 `trainingOptions` 函数设置了训练参数，并通过 `trainNetwork` 函数训练了这个网络。