使用CNN进行模式识别（分类）代码

最后更新于：2025-01-01 22:44:30

-支持一维、二维、三维数据，且有演示案例。

-可以自由设置神经网络卷积层结构、池化层结构

-可以快速划分训练集、验证集、测试集，程序运行完后绘制出测试集混淆矩阵

-支持向量和索引两种形式的标签输入

-多种训练参数可设置，包括求解器、迭代次数、初始学习率等等

-可设置随机种子，保证每次运行结果保持一致

–需要你做的基本只有导入数据和调参。

–绝大多数流程都被封装固化到函数中，仿照案例导入你的数据即刻得到结果~

一、代码运行环境

MATLAB2018b及更新版本。

二、程序介绍

注：图标代表该m文件为脚本文件，可以直接运行；图标代表函数文件，在没有输入变量的情况下无法直接运行。更详细的解释可以看这里。

1.scriptClassCNNs_MNIST.m文件

使用MNIST数据集进行手写字体数字的识别的案例，其中演示了FunClassCNNs函数对于二维数据（或者说黑白图片）的应用方式示范。

文件可以直接运行。程序运行完成后，将会画出如下图像：

（1）混淆矩阵图片。

混淆矩阵（Confusion Matrix）是一种常用的评估分类模型性能的工具。就像下图，结果是一个正方形矩阵。其中每一列对应一个实际类别，每一行对应一个预测类别。对角线绿色部分代表预测结果与实际类别相同（即预测正确）的数量和比例，红色部分则代表预测错误的数量和比例。

混淆矩阵

（2）训练过程图。

这张图片在程序运行的阶段就在不断更新迭代，上下两张图分别是分类准确度和loss值的收敛过程。其中蓝色线条是训练集结果，黑色线条是验证集结果。

如果嫌这张图丑的，同学们也可以用导出的训练过程数据自己画图，程序运行完之后，相关数据在MATLAB工作区的info变量里可以找到。

此图也是论文必画图之一。

训练过程图

（3）网络结构图、表。

这张图包含了网络结构图，以及每层网络的名称、类型、参数属性等信息表格。方便大家论文中使用。

（4）每层网络的输出尺寸。

在做CNN网络结构设计的时候，随着层数的叠加，每个特征图的尺寸越来越小，有时候一不小心就会使特征图的尺寸变为负数，然后程序自然会报错。

为了解决这个问题，笔者特地加了一个功能，可以计算出数据经过每层网络之后输出的特征图的尺寸，就像下图这样：

该结果会在命令行窗口打印出来

在实际调试过程中，你会发现这个功能非常好用。

上边这个MNIST数据集测试集正确率是98.9%，这个是随意调了调网络和参数的结果，如果花时间进一步优化网络，可以得到更好的结果。

2.scriptClassCNNs_IRIS.m文件（完整版代码独有）

使用MNIST数据集进行鸢尾花数据集的识别的案例，其中演示了FunClassCNNs函数对于一维数据的应用方式示范。

鸢尾花

文件可以直接运行。程序运行完成后，将会画出如下图像（这些图像的含义与上边第一个案例相同）：

3.scriptClassCNNs_IRIS.m文件（完整版代码独有）

使用MNIST数据集进行CIFAR-10数据集（32×32彩色图像）的识别的案例，其中演示了FunClassCNNs函数对于三维数据（或者彩色图像）的应用方式示范。

CIFAR-10数据集，10个类别分别抽取了10张图

文件可以直接运行。程序运行完成后，将会画出如下图像（这些图像的含义与上边第一个案例相同）：

4.FunClassCNNs.m文件

使用CNN进行模式识别（分类）的快速实现函数。

function [accuracy,recall,precision,net,info] = FunClassCNNs(dataX,dataY,divideR,cLayer,poolingLayer,fcLayer,options,figflag)
% 使用CNN进行模式识别（分类）的快速实现函数
% 该函数需要输入的数据为array数组型，如果是图片数据则需要通过imread等方式进行读取转换
% 输入：
% dataX：输入数据，R1*R2*R3*Q的矩阵，Rn为输入数据的维度，Q为批次数，输入该变量时一定要注意维度正确
% 例1：对于3通道的图像数据，例如长28像素，宽28像素，共5000组数据，则dataX的维度为：28*28*3*5000
% 例2：对于一维数组，每组数据长度为20，共1000组数据，则dataX的可以维度为：1*20*1*1000或20*1*1*1000
% dataY：标签值，可以为两种方式：
%                              向量型：U*Q的矩阵，U为标签种类数，Q为批次数
%                              索引型：1*Q的矩阵，Q为批次数
% divideR：数据集（训练集、验证集、测试集）划分比例，如：divideR =[0.6,0.2,0.2]，
% 则代表60%数据用于训练集，20%数据用于验证集，20%数据用于测试集

% cLayer：卷积层结构，为n*5的二维数组，其中n为卷积层的数量
% 列向的5个维度时分别代表滤波器的高、滤波器的宽、滤波器数量、步长、填充
% 例1，cLayer =
% [3,16,1,1;3,32,1,0]时，则代表有两层卷积层，其中第一层滤波器高为3，宽为3，滤波器数量为16，步长1，填充1
%                                                第二次滤波器高为3，宽为3，滤波器数量为32，步长1，填充0
% 例2，cLayer =
% [3,1,16,1,1;3,1,32,1,0]时，则代表有两层卷积层，其中第一层滤波器高为3，宽为1，滤波器数量为16，步长1，填充1
%                                                第二次滤波器高为3，宽为1，滤波器数量为32，步长1，填充0

% poolingLayer：池化层结构，为长度为n*5的cell数据，其中n为池化层的数量，和卷积层层数相同。
% 列向的三个维度分别代表：1.池化层类型，分为'maxPooling2dLayer'和'averagePooling2dLayer'两种，如果不用池化层设置为'none'
%                         2.池化区域高度尺寸
%                         3.池化区域宽度尺寸
%                         4.步长
%                         5.填充
% 例如：
% poolingLayer = {'maxPooling2dLayer',2,2,2,1; 'averagePooling2dLayer',2,2,1,0};
% 代表第一个池化层为最大池化层，尺寸为2*2，步长2，填充1，第二个池化层为平均池化层，尺寸为2*2，步长1，填充0
% 注意！如果对应卷积层后不设置池化层，请在对应的位置设置为'none',0,0,0,0
% 比如cLayer设置为两层时，如果只想在第一层卷积层后对应有池化层，第二层卷积层后无池化层，那么池化层应该设置为：
% poolingLayer = {'maxPooling2dLayer',1,2,1,0;
%                 'none',0,0,0,0 }; %后边的四个0主要是占位，不起实际作用

% options：一些与网络训练等相关的设置，使用结构体方式赋值，比如 options.MaxEpochs = 1000，具体包括：
%             solverName：求解器，'sgdm'（默认） | 'rmsprop' | 'adam'
%             MaxEpochs：最大迭代次数，默认30
%             MiniBatchSize：批尺寸，默认128
%             GradientThreshold：梯度极限，默认为Inf
%             InitialLearnRate：初始化学习速率（默认0.005）
%             Plots：是否显示训练过程，'none' 为不显示（默认） | 'training-progress'为显示
%             ValidationFrequency：验证频率，即每间隔多少次迭代进行一次验证，默认50
%             LearnRateSchedule：即LearnRateSchedule是否在一定迭代次数后学习速率下降， LearnRateSchedule ='piecewise'为使用，'none'为不使用（默认）
%             LearnRateDropPeriod：即LearnRateDropPeriod学习速率下降时的迭代数，默认为10
%             LearnRateDropFactor：即LearnRateDropFactor学习速率下降因子，下降后变为LearnRateDropFactor*InitialLearnRate，LearnRateSchedule为0时可以赋0，默认为0.1
%             （未启用）NorFlag：即Normalization Flag，设置为1时则在程序中进行数据归一化和反归一化操作，否则不进行，建议设置为1
%             SeedFlag：随机种子标志，设置为1时启用随机种子,(默认为1)
% fcLayer：全连接层，可以设置多层，如果设置fcLayer=[]，则在网络结构中只包含一个全连接层，输出的维度与数据类别相同。
%                                  如果设置fcLayer为数组，则代表在上边的全连接层之前再加入对应数量的全连接层和ReLU层
%                                  例如设置fcLayer=[32,16]，则代表在共有三个全连接层，第一个是fullyConnectedLayer(32)+ReLU，第二个是fullyConnectedLayer(16)+ReLU，
%                                                           第三个是fullyConnectedLayer(numClasses)
% figflag：是否画图，'on'为画图，'off'为不画
% 输出：
% accuracy：测试集分类正确率
% recall： 召回率
% precision： 精确率
% net：训练好的网络
% info：神经网络训练相关参数，如loss值、准确度等

5.EvaluteClassResults.m文件

对分类结果进行评价，包括：画混淆矩阵图、recall、precision等

function [recall, precision] = EvaluteClassResults(outputs,targets,figflag)
% 对分类结果进行评价，包括：
% 画混淆矩阵图
% 计算 weigthed-Precision, weigthed-Recall和F1-score  参考 https://zhuanlan.zhihu.com/p/147663370?from_voters_page=true
% 输入：
% outputs：经过分类算法得到的分类结果，一维正整数
% targets：目标分类结果，一维正整数
% figflag：是否画图，'on'为画图，'off'为不画
% 输出：
% recall： 召回率
% precision： 精确率

6.clcEvaluteCalss.m文件

计算recall、precision的底层代码。

function [recall, precision] = clcEvaluteCalss(outputs,targets)
% 计算 weigthed-Precision, weigthed-Recall 参考 https://zhuanlan.zhihu.com/p/147663370?from_voters_page=true
% 注意，outputs和targets中的分类为整型，从1排序到n，不可跳数

三、快速开始

1.运行测试脚本

先在MATLAB里打开下载好的文件夹，然后运行scriptClassCNNs_MNIST.m程序，程序运行完毕后如果没报错，且正常画出上述图像，则说明运行环境正常，程序正确。

2.修改仿真数据/导入数据

复制一个scriptClassCNNs_MNIST.m（或者根据需要复制scriptClassCNNs_IRIS.m或scriptClassCNNs_CIFAR.m）的文件副本，在这个副本里做如下修改：

根据你的文件类型的不同（excel,txt,csv等），将数据导入MATLAB的方法有所不同。同学们可以看博主针对常用文件的导入方法的这个教程，教程上未包含的数据类型，大家可以再参考这个文档。

需要注意，导入的数据需要满足数据格式要求：

% dataX：输入数据，R1*R2*R3*Q的矩阵，Rn为输入数据的维度，Q为批次数，输入该变量时一定要注意维度正确

% 例1：对于3通道的图像数据，例如长28像素，宽28像素，共5000组数据，则dataX的维度为：28*28*3*5000

% 例2：对于一维数组，每组数据长度为20，共1000组数据，则dataX的可以维度为：1*20*1*1000或20*1*1*1000

% dataY：标签值，可以为两种方式：

% 向量型：U*Q的矩阵，U为标签种类数，Q为批次数

% 索引型：1*Q的矩阵，Q为批次数

3.实现CNN分类

参照脚本文件中第二步，根据需要调整相关参数（购买完整版代码，可获取调参技巧教学视频）。

运行程序即可。

四、关于完整版与公开版代码

五、获取公开版程序（需使用电脑浏览器打开）

注：公开版代码需使用MATLAB2022a及以上版本

六、获取完整版程序（使用电脑浏览器或者手机浏览器打开）

获取通道一（淘宝）：点击此处获取完整版程序

获取通道二（本页面）：点击下面“立即支付”按钮，付款后获取完整版代码下载链接和售后联系方式~本通道处于测试阶段，使用该通道可以额外优惠（仅需87元）。付款完成后刷新一下本页面即可看到下载链接。

（注意支付跳转失败的话，请使用浏览器打开本页面）

七、完整版代码重要更新

20230827 完成初版代码

八、常见问题

无。