mnist 手写是被
cnn_mnist.m 主函数代码：
function [net, info] = cnn_mnist(varargin)
% --------------------------------------------------------------
% 主函数：cnn_mnist
% 功能： 1.初始化CNN
% 2.设置各项参数
% 3.读取和保存数据集
% 4.初始化train mnist的主函数
% 参数： varargin 可变参数
% 返回值： net info
% ------------------------------------------------------------------------
%运行vl_setupnn.m
run(fullfile(fileparts(mfilename('fullpath')),...
'..', '..', 'matlab', 'vl_setupnn.m')) ;
% 参数配置
opts.batchNormalization = false ; %选择batchNormalization的真假
opts.network = [] ; %初始化一个网络
opts.networkType = 'simplenn' ; %选择封装器：simplenn ，封装器有两种，分别为simplenn 和 dagnn
[opts, varargin] = vl_argparse(opts, varargin) ; %调用vl_argparse函数 参数值对的解析列表每初始化一次，就调用一次该函数
% 数据存放的路径
sfx = opts.networkType ; %sfx=simplenn
if opts.batchNormalization, sfx = [sfx '-bnorm'] ; end %这里条件为假
opts.expDir = fullfile(vl_rootnn, 'data', ['mnist-baseline-' sfx]) ; %选择数据存放的路径：vl_rootnn表示根目录，data\mnist-baseline-simplenn
[opts, varargin] = vl_argparse(opts, varargin) ; %调用vl_argparse函数
% 数据的读取路径
opts.dataDir = fullfile(vl_rootnn, 'data', 'mnist') ; %选择数据读取的路径：data\matconvnet-1.0-beta23\data\mnist
opts.imdbPath = fullfile(opts.expDir, 'imdb.mat'); %选择imdb结构体的路径：data\data\mnist-baseline-simplenn\imdb
opts.train = struct() ; %选择训练集返回为struct型
opts = vl_argparse(opts, varargin) ; %调用vl_argparse函数
%选择是否使用GPU，使用opts.train.gpus = 1，不使用：opts.train.gpus = []。
%if ~isfield(opts.train, 'gpus'), opts.train.gpus = 1; end;
if ~isfield(opts.train, 'gpus'), opts.train.gpus = []; end;
% -------------------------------------------------------------------------
% 准备网络
% -------------------------------------------------------------------------
if isempty(opts.network) %如果原网络为空：
net = cnn_mnist_init('batchNormalization', opts.batchNormalization, ... %则调用cnn_mnist_init网络结构
'networkType', opts.networkType) ;
else %否则：
net = opts.network ; %使用上面选择的数值带入现有网络
opts.network = [] ;
end
% -------------------------------------------------------------------------
% 准备数据
% -------------------------------------------------------------------------
if exist(opts.imdbPath, 'file') %如果mnist中存在imdb的结构体：
imdb = load(opts.imdbPath) ; % 载入imdb
else %否则：
imdb = getMnistImdb(opts) ; % 调用getMnistImdb函数得到imdb并保存
mkdir(opts.expDir) ;
save(opts.imdbPath, '-struct', 'imdb') ;
end
%arrayfun函数通过应用sprintf函数得到array中从1到10的元素并且将其数字标签转化为char文字型
net.meta.classes.name = arrayfun(@(x)sprintf('%d',x),1:10,'UniformOutput',false) ;
% -------------------------------------------------------------------------
% 开始训练
% -------------------------------------------------------------------------
switch opts.networkType %选择网络类型：
case 'simplenn', trainfn = @cnn_train ; % 1.simplenn
case 'dagnn', trainfn = @cnn_train_dag ; % 2.dagnn
end
[net, info] = trainfn(net, imdb, getBatch(opts), ... %调用训练函数，开始训练：find(imdb.images.set == 3)为验证集的样本
'expDir', opts.expDir, ... % 参数的有关配置
net.meta.trainOpts, ...
opts.train, ...
'val', find(imdb.images.set ==3)) ;
% ------------------------------------------------------------------------
function fn = getBatch(opts)
% --------------------------------------------------------------
% 函数名：getBatch batch 批
% 功能： 1.由opts返回函数
% 2.从imdb结构体取出数据
% ------------------------------------------------------------------------
switch lower(opts.networkType) %根据网络类型使用不同的getBatcch
case 'simplenn'
fn = @(x,y) getSimpleNNBatch(x,y) ; % 句柄函数（matlab基础知识）
case 'dagnn'
bopts = struct('numGpus', numel(opts.train.gpus)) ;
fn = @(x,y) getDagNNBatch(bopts,x,y) ;
end
% --------------------------------------------------------------------
function [images, labels] = getSimpleNNBatch(imdb, batch)
% --------------------------------------------------------------
% 函数名：getSimpleNNBatch
% 功能： 1.由SimpleNN网络的批得到函数
% 2.batch为样本的索引值
% ------------------------------------------------------------------------
images = imdb.images.data(:,:,:,batch) ; %返回训练集 数据data，进行处理，最后会以矩阵的形式出现
labels = imdb.images.labels(1,batch) ; %返回集标签
% --------------------------------------------------------------------
function inputs = getDagNNBatch(opts, imdb, batch)
% --------------------------------------------------------------
% 函数名：getDagNNBatch
% 功能： 类似上面的函数，这里的网络结构是DagNN
% ------------------------------------------------------------------------
images = imdb.images.data(:,:,:,batch) ;
labels = imdb.images.labels(1,batch) ;
if opts.numGpus > 0 %使用GPU进行并行运算
images = gpuArray(images) ;
end
inputs = {'input', images, 'label', labels} ;
% --------------------------------------------------------------------
function imdb = getMnistImdb(opts) % 数据data进行处理
%--------------------------------------------------------------
% 函数名：getMnistImdb
% 功能： 1.从mnist数据集中获取data
% 2.将得到的数据减去mean值，为了减少数据处理量
% 3.将处理后的数据存放如imdb结构中
% ------------------------------------------------------------------------
% Preapre the imdb structure, returns image data with mean image subtracted
files = {'train-images-idx3-ubyte', ... %载入mnist数据集
'train-labels-idx1-ubyte', ...
't10k-images-idx3-ubyte', ...
't10k-labels-idx1-ubyte'} ;
if ~exist(opts.dataDir, 'dir') %如果不存在读取路径：
mkdir(opts.dataDir) ; % 建立读取路径
end
for i=1:4 %如果不存在mnist数据集则下载
if ~exist(fullfile(opts.dataDir, files{i}), 'file')
url = sprintf('http://yann.lecun.com/exdb/mnist/%s.gz',files{i}) ;
fprintf('downloading %s\n', url) ;
gunzip(url, opts.dataDir) ;
end
end
f=fopen(fullfile(opts.dataDir, 'train-images-idx3-ubyte'),'r') ; %载入第一个文件，训练数据集大小为28*28，数量为6万
x1=fread(f,inf,'uint8');
fclose(f) ;
x1=permute(reshape(x1(17:end),28,28,60e3),[2 1 3]) ; %通过permute函数将数组的维度由原来的[1 2 3]变为[2 1 3] ...
%reshape将原数据从第17位开始构成28*28*60000的数组
f=fopen(fullfile(opts.dataDir, 't10k-images-idx3-ubyte'),'r') ; %载入第二个文件，测试数据集大小为28*28，数量为1万
x2=fread(f,inf,'uint8');
fclose(f) ;
x2=permute(reshape(x2(17:end),28,28,10e3),[2 1 3]) ; %同上解释
f=fopen(fullfile(opts.dataDir, 'train-labels-idx1-ubyte'),'r') ; %载入第三个文件：训练数据集的类标签
y1=fread(f,inf,'uint8');
fclose(f) ;
y1=double(y1(9:end)')+1 ;
f=fopen(fullfile(opts.dataDir, 't10k-labels-idx1-ubyte'),'r') ; %载入第四个文件：测试数据集的类标签
y2=fread(f,inf,'uint8');
fclose(f) ;
y2=double(y2(9:end)')+1 ;
%set = 1 对应训练；set = 3 对应的是测试
set = [ones(1,numel(y1)) 3*ones(1,numel(y2))]; %numel返回元素的总数
data = single(reshape(cat(3, x1, x2),28,28,1,[])); %将x1的训练数据集和x2的测试数据集的第三个维度进行拼接组成新的数据集，并且转为single型减少内存
dataMean = mean(data(:,:,:,set == 1), 4); %求出训练数据集中所有的图像的均值
data = bsxfun(@minus, data, dataMean) ; %利用bsxfun函数将数据集中的每个元素逐个减去均值
%将数据存入imdb结构中
imdb.images.data = data ; %data的大小为[28 28 1 70000]。 （60000+10000）
imdb.images.data_mean = dataMean; %dataMean的大小为[28 28]
imdb.images.labels = cat(2, y1, y2) ; %拼接训练数据集和测试数据集的标签，拼接后的大小为[1 70000]
imdb.images.set = set ; %set的大小为[1 70000]，unique(set) = [1 3]
imdb.meta.sets = {'train', 'val', 'test'} ; %imdb.meta.sets=1用于训练，imdb.meta.sets=2用于验证，imdb.meta.sets=3用于测试
%arrayfun函数通过应用sprintf函数得到array中从0到9的元素并且将其数字标签转化为char文字型
imdb.meta.classes = arrayfun(@(x)sprintf('%d',x),0:9,'uniformoutput',false) ;
cnn_test_mnist.m 测试集代码
function [ net,info ] = cnn_mnist_test( varargin )
%CNN_MNIST_TEST 此处显示有关此函数的摘要
% 函数名：cnn_init_test
% 功能： 进行数据测试
% 返回值： net info
% 参数： varagrgin
% 加载vl_setupnn
run matlab\vl_setupnn
% 导入数据model
load('E:\matconvnet-1.0-beta24\matconvnet-1.0-beta24\data\mnist-baseline-simplenn\net-epoch-20.mat');%此模型包含三个部分，其中一部分为net
% 导入数据集
load('E:\matconvnet-1.0-beta24\matconvnet-1.0-beta24\data\mnist-baseline-simplenn\imdb.mat');%images结构体在此读取
net = vl_simplenn_tidy(net);
net.layers{1,end}.type = 'softmax';%训练时为softmaxloss,测试时为softmax
% 挑选出测试集
test_index = find(images.set==3);%1对应训练集，3对应测试集，1有（1——60000）3有（60001——70000）
% 挑选出测试集以及真实类别
test_data = images.data(:,:,:,test_index);
test_label = images.labels(test_index);
% for i = 1:length(test_label)
% % im_ = test_data(:,:,:,6010);%随意选取一张图像
% im_ = test_data(:,:,:,i); %随意选取一张图像
% end
im_ = test_data(:,:,:,666);%随意选取一张图像
% im=imread('5.jpg');
% 将im_中转换为单精度类型
im_=single(im_);
% 归一化大小 将图片缩放到28 * 28 的大小
im_ = imresize(im_,net.meta.inputSize(1:2));%此处和ImageNet网络名称不同
im_ = im_ - images.data_mean; %去均值
% res包含了计算结果，以及中间层的输出，最后一层可以用来分类，归一化处理 sofamaxloss层
res=vl_simplenn(net,im_);
y=res(end).x;
x=gather(res(end).x);
% 删除单独维度
scores=squeeze(gather(res(end).x));
[bestScore,best]=max(scores);
figure(1);
clf;
imshow(im_);
title(sprintf('%s %d,%.3f',...
net.meta.classes.name{best-1},best-1,bestScore));
end
% 一个对序列号为60000-70000图像进行整体精度预测的代码，
% function [ net,info ] = cnn_mnist_test( varargin )
% run ../matlab/vl_setupnn
% 导入数据model
%load('E:\matconvnet-1.0-beta24\matconvnet-1.0-beta24\data\mnist-baseline-simplenn\net-epoch-20.mat');%此模型包含三个部分，其中一部分为net
% 导入数据集
% load('E:\matconvnet-1.0-beta24\matconvnet-1.0-beta24\data\mnist-baseline-simplenn\imdb.mat');%images结构体在此读取
%
% net = vl_simplenn_tidy(net);
% net.layers{1,end}.type = 'softmax';%训练时为softmaxloss,测试时为softmax
% % 挑选出测试样本在全体数据中对应的编号60001-70000
% test_index = find(images.set==3);%1对应训练集，3对应测试集，1有（1——60000）3有（60001——70000）
% % 挑选出测试集以及真实类别
% test_data = images.data(:,:,:,test_index);
% test_label = images.labels(test_index);
%
% % 将最后一层改为 softmax （原始为softmaxloss，这是训练用）
% net.layers{1, end}.type = 'softmax';
%
% % 对每张测试图片进行分类
% for i = 1:length(test_label)
% i
% im_ = test_data(:,:,:,i);
% im_ = im_ - images.data_mean;
% res = vl_simplenn(net, im_) ;
% scores = squeeze(gather(res(end).x)) ;
% [bestScore, best] = max(scores) ;
% pre(i) = best;
% end
%
% % 计算准确率
% accurcy = length(find(pre==test_label))/length(test_label);
% disp(['accurcy = ',num2str(accurcy*100),'%']);
%end
