深度学习Matlab工具箱代码注释——MnistTest.m

%%==========================================

===============================
% 主要功能：在mnist数据库上做实验，验证工具箱的有效性
% 算法流程：1）载入训练样本和测试样本
%          2）设置CNN参数，并进行训练
%          3）进行检测cnntest()
% 注意事项：1）由于直接将所有测试样本输入会导致内存溢出，故采用一次只测试一个训练样本的测试方法
%%=========================================================================
%%
%%%%%%%%%%%%%%%%%%%%加载数据集%%%%%%%%%%%%%%%%%%%%
load mnist_uint8;
train_x = double(reshape(train_x',28,28,60000))/255;
test_x  = double(reshape(test_x',28,28,10000))/255;
train_y = double(train_y');
test_y  = double(test_y');

%%
%%=========================================================================
%%%%%%%%%%%%%%%%%%%%设置卷积神经网络参数%%%%%%%%%%%%%%%%%%%%
% 主要功能：训练一个6c-2s-12c-2s形式的卷积神经网络，预期性能如下：
%          1）迭代一次需要200秒左右，错误率大约为11%
%          2）迭代一百次后错误率大约为1.2%
% 算法流程：1）构建神经网络并进行训练，以CNN结构体的形式保存
%          2）用已知的训练样本进行测试
% 注意事项：1）之前在测试的时候提示内存溢出，后来莫名其妙的又不溢出了，估计到了系统的内存临界值
%%=========================================================================
rand('state',0)
cnn.layers = {
    struct('type', 'i')                                    %输入层
    struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5)  %卷积层
    struct('type', 's', 'scale', 2)                        %下采样层
    struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %卷积层
    struct('type', 's', 'scale', 2)                        %下采样层
    };
cnn            = cnnsetup(cnn, train_x, train_y);
opts.alpha     = 1;
opts.batchsize = 50;
opts.numepochs = 5;
cnn            = cnntrain(cnn, train_x, train_y, opts);
save CNN_5 cnn;

load CNN_5;
[er, bad]  = cnntest(cnn, test_x, test_y);
figure; plot(cnn.rL);
assert(er<0.12, 'Too big error');