卷积神经网络识别数字matlab代码

以下是一个简单的卷积神经网络（CNN）在MATLAB中识别手写数字的示例代码。这个例子基于MNIST数据集，它包含60000个训练图像和10000个测试图像，每个图像都是28x28像素大小的灰度图像。

首先，我们加载MNIST数据集并预处理它：

% Load the MNIST data
[XTrain, YTrain, XTest, YTest] = digitTrain4DArrayData;

% Normalize the data
XTrain = normalizeData(XTrain);
XTest = normalizeData(XTest);

% Convert the labels to categorical
YTrain = categorical(YTrain);
YTest = categorical(YTest);

接下来，我们定义CNN的架构：

layers = [
    imageInputLayer([28 28 1])
    
    convolution2dLayer(3, 8, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2, 'Stride', 2)
    
    convolution2dLayer(3, 16, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2, 'Stride', 2)
    
    convolution2dLayer(3, 32, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];

这个CNN由三个卷积层和两个最大池化层组成，然后是一个全连接层和一个softmax分类器。

接下来，我们定义训练选项：

options = trainingOptions('adam', ...
    'InitialLearnRate', 0.01, ...
    'MaxEpochs', 10, ...
    'Shuffle', 'every-epoch', ...
    'ValidationData', {XTest, YTest}, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

我们使用Adam优化器，学习率为0.01，最大训练轮数为10，并且在每个epoch之后重新打乱数据。

最后，我们使用训练数据和训练选项来训练CNN：

net = trainNetwork(XTrain, YTrain, layers, options);

使用训练好的CNN来预测测试图像的标签：

YPred = classify(net, XTest);

最后，我们计算CNN在测试集上的准确率：

accuracy = sum(YPred == YTest) / numel(YTest);
fprintf('Accuracy: %0.2f%%\n', accuracy * 100);

完整的代码如下：

% Load the MNIST data
[XTrain, YTrain, XTest, YTest] = digitTrain4DArrayData;

% Normalize the data
XTrain = normalizeData(XTrain);
XTest = normalizeData(XTest);

% Convert the labels to categorical
YTrain = categorical(YTrain);
YTest = categorical(YTest);

% Define the CNN architecture
layers = [
    imageInputLayer([28 28 1])
    
    convolution2dLayer(3, 8, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2, 'Stride', 2)
    
    convolution2dLayer(3, 16, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2, 'Stride', 2)
    
    convolution2dLayer(3, 32, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];

% Define the training options
options = trainingOptions('adam', ...
    'InitialLearnRate', 0.01, ...
    'MaxEpochs', 10, ...
    'Shuffle', 'every-epoch', ...
    'ValidationData', {XTest, YTest}, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

% Train the CNN
net = trainNetwork(XTrain, YTrain, layers, options);

% Predict the labels of the test images
YPred = classify(net, XTest);

% Calculate the accuracy
accuracy = sum(YPred == YTest) / numel(YTest);
fprintf('Accuracy: %0.2f%%\n', accuracy * 100);

注意，这只是一个简单的示例代码。实际上，您可以通过调整CNN的架构和训练选项来获得更好的性能。