1.2 MatConvNet一目了然
MatConvNet具有简单的设计理念。 它不是将CNN包裹在软件的复杂层上，而是暴露了直接作为MATLAB命令的计算CNN构造块的简单函数，例如线性卷积和ReLU运算符。这些构建块易于组合成完整的CNN，并且可以用于实现复杂的学习算法。虽然提供了小型和大型CNN架构和培训例程的几个现实例子，但是总是可以回到基础并构建自己的网络，利用MATLAB在原型中的效率。通常不需要C编码来尝试新的体系结构。 因此，MatConvNet是计算机视觉和CNNs研究的理想操练场。
MatConvNet包含以下元素：
CNN计算块
一组计算CNN的基本构建块的优化例程。例如，卷积块由 y = vl_nnconv(x,f,b)
实现，其中x是图像，f是过滤器组，b是偏移矢量（第4.1节）。 导数计算为 [dzdx,dzdf,dzdb] = vl_nnconv(x,f,b,dzdy)
其中dzdy是CNN输出w.r.t y的导数（第4.1节），第四章详细描述所有块。
CNN封装
MatConvNet提供了一个简单的包装器，由vl_simplenn调用，实现具有线性拓扑（一个块链）的CNN。
它还提供了一个更加灵活的包装器，支持具有任意拓扑的网络，封装在dagnn，DagNN MATLAB类中。
示例应用程序
MatConvNet提供了几个在MNIST，CIFAR10和ImageNet数据上学习具有随机梯度下降和CPU或GPU的CNN的示例。
预训练模型
MatConvNet提供了几种先进的预先训练的CNN模型，可以用于现成的，用于分类图像或在Caffe或DeCAF的精神下产生的图像编码。
1.3文档和示例
有关MatConvNet的三个主要信息来源。
**首先，网站包含所有功能的描述和几个例子和教程。
第二，有一个PDF手册，其中包含大量有关工具箱的技术细节，包括构建块的详细数学描述。
第三，MatConvNet附有几个例子（第1.1节）。**
大多数示例是完全自包含的。
例如，为了运行MNIST示例，它将MATLAB指向MatConvNet根目录，并键入addpath <-examples，后跟cnn_mnist。
由于问题大小，ImageNet ILSVRC示例需要一些更多准备，包括下载和预处理图像(使用捆绑脚本utils /preprocess
1.5致谢
MatConvNet是一个社区项目，因此感谢所有贡献者。我们衷心感谢NVIDIA支持这个项目，为我们提供了顶级的GPU和MathWorks，以进行关于如何改进库的讨论。
在这个库中的几个CNN计算的实现是受到Caffe库的启发[5]（然而，Caffe不是依赖），几个示例网络已经由Karen Simonyan作为[1]和[10]的一部分训练。