CNN卷积神经网络Matlab实现

CNN卷积神经网络实现，Matlab仿真，识别手写数字集。

%%%  matlab实现LeNet-5
%%%  作者：xd.wp
%%%  时间：2016.10.14  20:29
%% 程序说明
%          1、池化（pooling）采用平均2*2
%          2、网络结点数说明：
%                           输入层：28*28
%                           第一层：24*24（卷积）*6
%                           第二层：12*12（pooling）*6
%                           第三层：8*8（卷积）*16
%                           第四层：4*4（pooling）*16
%                           第五层：全连接40
%                           第六层：全连接10
%          3、网络训练部分采用800个样本，检验部分采用100个样本
clear all;clc;
%% 网络初始化
layer_c1_num=6;
layer_c2_num=16;
%权值调整步进
yita=0.05;
bias=1;
%卷积核初始化
[kernel_c1kernel_c2]=init_kernel（layer_c1_numlayer_c2_num）;
%pooling核初始化
pooling_a=ones（22）/4;
%全连接层的权值
weight_full_1=rand（1640）/sqrt（40）;
weight_full_2=rand（4010）/sqrt（10）;
weight_c2=rand（616）/10;
weight_arr2num=rand（44layer_c2_num）/sqrt（16）;
disp（‘网络初始化完成......‘）;
%% 开始网络训练
disp（‘开始网络训练......‘）;
for n=10:20
    for m=0:9
        %读取样本
        train_data=imread（strcat（num2str（m）‘_‘num2str（n）‘.bmp‘））;
        train_data=double（train_data）;
        %         % 归一化
        %         train_data=train_data/sqrt（sum（sum（train_data.^2）））;
        %标签label设置
        label_temp=-ones（110）;
        label_temp（1m+1）=1;
        label=label_temp;
        for iter=1:10
            %前向传递进入卷积层1
            for k=1:layer_c1_num
                state_c1（::k）=convolution（train_datakernel_c1（::k））;
                %进入pooling1
                state_s1（::k）=pooling（state_c1（::k）pooling_a）;
            end
            %进入卷积层2
            [state_c2state_c2_temp]=convolution_c2（state_s1kernel_c2weight_c2）;
            %进入pooling层2
            for k=1:layer_c2_num
                state_s2_temp1（::k）=pooling（state_c2（::k）pooling_a）;
            end
            %将矩阵变成数
            for k=1:layer_c2_num
                state_s2_temp2（1k）=sum（sum（state_s2_temp1（::k）.*weight_arr2num（::k）））+bias;
                state_s2（1k）=1/（1+exp（-state_s2_temp2（1k）））;
%             state_s2（1k）=sum（sum（state_s2_temp1（::k）.*weight_arr2num（::k）））;
            end
            %16个特征数，进入全连接层1
            state_f1=state_s2*weight_full_1;
            %进入全连接层2
            state_f2=state_f1*weight_full_2;
            %% 误差计算部分
            Error=state_f2-label;
            Error_Cost=sum（Error.^2）;
            if（Error_Cost<1e-4）
                break;
            end
            %% 参数调整部分
            [kernel_c1kernel_c2weight_c2weight_full_1weight_full_2weight_arr2num]=CNN_upweight1（Errortrain_data...
                state_c1state_s1...
                state_c2state_s2_temp1...
                state_s2state_s2_temp2...
                state_f1state_f2...
                kernel_c1kernel_c2...
                weight_c2weight_full_1...
                weight_full_2weight_arr2numyitastate_c2_temp）;
            
        end
    end
end
disp（‘网络训练完成，开始检验......‘）;
%% 检验部分
count_num=0;
for n=10:15
    for m=0

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-11-30 16:47  CNN_LeNet_test\
     文件        4655  2016-10-21 21:25  CNN_LeNet_test\CNN_LeNet_main.m
     文件        5179  2016-10-17 16:20  CNN_LeNet_test\CNN_upweight.m
     文件        4729  2016-10-18 19:44  CNN_LeNet_test\CNN_upweight1.m
     文件        4478  2016-10-18 12:08  CNN_LeNet_test\CNN_upweight2.m
     文件         298  2016-10-15 16:48  CNN_LeNet_test\convolution.m
     文件         430  2016-10-15 19:49  CNN_LeNet_test\convolution_c2.m
     文件         232  2016-10-21 21:23  CNN_LeNet_test\init_kernel.m
     文件         292  2016-10-15 16:51  CNN_LeNet_test\pooling.m
     目录           0  2018-11-30 16:47  CNN_LeNet_test\test_image\
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_0.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_1.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_10.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_100.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_101.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_102.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_103.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_104.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_105.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_106.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_107.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_108.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_109.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_11.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_110.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_111.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_112.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_113.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_114.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_115.bmp
     文件        1862  2010-05-28 18:22  CNN_LeNet_test\test_image\0_116.bmp
............此处省略9900个文件信息