如何在 MATLAB 中为图像使用自定义神经网络函数 [关闭]

Posted 2023-03-12

【中文标题】如何在 MATLAB 中为图像使用自定义神经网络函数 [关闭]

【英文标题】：How to use the custom neural network function in the MATLAB for images [closed]

【发布时间】：2018-02-21 21:31:53

【问题描述】：

我必须在 Matlab (2-10-2) 中制作一个简单的 3 层神经网络。

我曾在 Matlab 中研究过卷积神经网络，并希望将其与简单的神经网络架构进行比较。

每个类有 14000 张图像，输入有两个类，输出有两个类。输入时的图像大小为 56x56=3136。 1) 如何制作 2-10-2 NN 架构。

2) 我拥有的图像也是 RGB 的，所以它的 56x56x3 所以输入矩阵将是 9408？关于输入 x 如果有两个类。对于每个类，x1 的大小为 3161x700，x2 的大小为 9408x700，x 输入的最终大小为9408x1400，标签为1x1400？

【问题讨论】：

@Cody Gray。问题已更新

【参考方案1】：

如果您查看前馈网络MATLAB help page，就会看到这个例子：

[x,t] = simplefit_dataset;
net = feedforwardnet(10);
net = train(net,x,t);
view(net)
y = net(x);
perf = perform(net,y,t)

这几乎就是你想要的。前馈网络可以采用不同隐藏层大小的数组，所以我们可以这样做：

    net = feedforwardnet([2 10 2]);

得到你想要的架构。您无需担心输入层大小或输出层大小。这些设置为“0”，并根据您在训练期间提供给网络的输入和输出（示例中为net）自动设置为正确的大小。在您的情况下，您可以将 56x56 矩阵重塑为 3136x1 向量：

x = reshape(x,3161,1);

因此，按照上面的示例，请确保您的类/目标标签位于 t 中，并且您的相应输入位于 x 中，然后您就可以开始了。

话虽如此，我不会使用这些网络之一对图像进行分类。 ConvNets 通常是要走的路。

要将输入数据（x 和 t）拆分为训练集、验证集和测试集，并让训练函数自动处理这样的泛化能力，请在训练之前执行以下操作：

net.divideFcn = 'dividerand';
net.divideParam.trainRatio = 0.7;
net.divideParam.valRatio = 0.15;
net.divideParam.testRatio = 0.15;

综合起来，我们有：

[x,t] = simplefit_dataset;
net = feedforwardnet(10);
net.divideFcn = 'dividerand';
net.divideParam.trainRatio = 0.7;
net.divideParam.valRatio = 0.15;
net.divideParam.testRatio = 0.15;
net = train(net,x,t);
view(net)
y = net(x);
perf = perform(net,y,t)

【讨论】：

马丁，我了解feedforwardnet。 1）关于输入x如果有两个类。每个班级x1 的大小为3161x700，x2 的大小为3161x700，对吗？ 2）我们将使用多少数据进行训练和验证？我该如何划分 3）测试数据将类似于每个类的输入，如3161x100 如何进行测试？

查看我的更新答案。诀窍是使用内置的 divideFcn，它根据你给它的比例划分你的训练数据。

Martin 我已经更新了我的问题，正在回答中。只是对第二部分有些困惑。如果您请更新您的问题

如果您希望两个类 x1 和 x2 具有相同数量的特征（例如 9408），您需要确保它们为两个类训练一个模型 - 这可能是一个好主意，因为可以由 NN 建模的两个类的特征之间可能存在相关性。不过，如果特征数量不同，您可以训练两个独立的神经网络。但是，是的，如果您有 9408x1400，那么 9408 将是您的输入（例如像素值），而 1400 将是您的示例数。这是否充分解释了您的第二个问题？

【参考方案2】：

对于 2 类分类问题，单个输出逻辑神经元就足够了。 (2-10-1) 的 NN 架构就足够了。

【讨论】：

我了解前馈网络。 1）关于输入 x if 两个类。对于每个类，x1 的大小为 3161x700，x2 的大小为 3161x700，对吗？ 2）我们将使用多少数据进行训练和验证？我该如何划分 3）测试数据将类似于每个类的输入，如 3161x100 如何进行测试？

虽然这是真的，但单个输出足以区分两个类别，但拥有两个单独的输出神经元也有好处。一方面，在两个输出神经元上使用 softmax 输出可以得到一个概率输出，即它与一个类的相似程度，对所有类输出进行归一化。