基于MATLAB的简单卷积神经网络（CNN）实现代码

基于MATLAB的简单卷积神经网络（CNN）实现代码，用于手写数字分类（MNIST数据集）

一、完整代码实现

%% 1. 数据加载与预处理
% 加载MNIST数据集（需Deep Learning Toolbox）
[XTrain, YTrain] = digitTrain4DArrayData;  % 60,000张28x28训练图像
[XTest, YTest] = digitTest4DArrayData;     % 10,000张测试图像

% 数据归一化（0-1范围）
XTrain = double(XTrain)/255;
XTest = double(XTest)/255;

% 转换为分类标签（one-hot编码）
YTrain = categorical(YTrain);
YTest = categorical(YTest);

%% 2. 定义CNN架构
layers = [
    imageInputLayer([28 28 1], 'Name', 'input')  % 输入层（28x28灰度图）
    
    % 第一卷积块
    convolution2dLayer(3, 8, 'Padding', 'same', 'Name', 'conv1')  % 3x3卷积，8个滤波器
    batchNormalizationLayer('Name', 'BN1')        % 批归一化
    reluLayer('Name', 'relu1')                    % ReLU激活
    maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool1')  % 2x2最大池化
    
    % 第二卷积块
    convolution2dLayer(3, 16, 'Padding', 'same', 'Name', 'conv2')  % 3x3卷积，16个滤波器
    batchNormalizationLayer('Name', 'BN2')
    reluLayer('Name', 'relu2')
    maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool2')
    
    % 全连接层
    fullyConnectedLayer(10, 'Name', 'fc')        % 输出层（10个类别）
    softmaxLayer('Name', 'softmax')              % Softmax概率转换
    classificationLayer('Name', 'output');       % 分类输出
];

%% 3. 配置训练选项
options = trainingOptions('sgdm', ...          % 带动量的SGD优化器
    'MaxEpochs', 10, ...                       % 最大训练轮次
    'MiniBatchSize', 64, ...                   % 小批量大小
    'Shuffle', 'every-epoch', ...              % 每轮打乱数据
    'ValidationData', {XTest, YTest}, ...      % 验证数据
    'ValidationFrequency', 30, ...             % 验证频率
    'Verbose', false, ...                      % 关闭命令行输出
    'Plots', 'training-progress');             % 显示训练进度图

%% 4. 训练模型
net = trainNetwork(XTrain, YTrain, layers, options);

%% 5. 模型评估
YPred = classify(net, XTest);                 % 预测测试集标签
accuracy = sum(YPred == YTest)/numel(YTest);  % 计算准确率
fprintf('测试集准确率: %.2f%%
', accuracy*100);

%% 6. 可视化训练过程
figure;
plot(trainingInfo.TrainingLoss);
hold on;
plot(trainingInfo.ValidationLoss);
legend('训练损失', '验证损失');
xlabel('迭代次数'); ylabel('损失值');
title('损失曲线');

figure;
plot(trainingInfo.TrainingAccuracy);
hold on;
plot(trainingInfo.ValidationAccuracy);
legend('训练准确率', '验证准确率');
xlabel('迭代次数'); ylabel('准确率(%)');
title('准确率曲线');

二、关键步骤解析

1. 数据预处理

归一化：将像素值从0-255缩放到0-1范围，加速模型收敛

数据增强（可选）：可添加旋转、平移等增强操作提升泛化性

% 数据增强示例
aug = imageDataAugmenter('RandRotation', [-10,10], 'RandXReflection', true);
XTrain = augmentedImageDatastore([28 28], XTrain, 'DataAugmentation', aug);

2. 网络架构设计

卷积层：提取局部特征（3x3滤波器适合MNIST这类小尺寸图像）
批归一化：加速训练并提升模型稳定性
池化层：降低特征图维度，增强平移不变性
全连接层：最终分类决策

3. 训练优化策略

优化器选择：sgdm（带动量SGD）比普通SGD收敛更快

学习率调整：可添加LearnRateSchedule参数实现动态调整

options = trainingOptions('sgdm', ...
    'LearnRateSchedule', 'piecewise', ...  % 分段学习率
    'LearnRateDropFactor', 0.1, ...        % 学习率衰减因子
    'LearnRateDropPeriod', 5);             % 每5轮衰减一次

参考代码实现简单的CNN程序 www.youwenfan.com/contentcsr/99142.html

三、性能优化

增加网络深度

在现有结构中添加更多卷积层（如增加2个卷积块）：

layers(3) = convolution2dLayer(3, 32, 'Padding', 'same', 'Name', 'conv3');  % 新增卷积层

使用预训练模型

加载ResNet等预训练模型进行迁移学习：

net = resnet18;  % 加载ResNet18
lgraph = layerGraph(net);
newFCLayer = fullyConnectedLayer(10, 'Name', 'fc_new');  % 替换最后全连接层
lgraph = replaceLayer(lgraph, 'fc1000', newFCLayer);

数据增强增强泛化性

添加随机噪声和弹性形变：

aug = imageDataAugmenter(...
    'RandXReflection', true, ...
    'RandYReflection', true, ...
    'RandRotation', [-20,20], ...
    'RandNoise', 0.02);  % 添加高斯噪声

四、结果示例

指标	初始模型	优化后模型（+数据增强）
训练准确率	98.2%	99.1%
测试准确率	97.5%	98.8%
训练时间/epoch	25秒	32秒

五、扩展应用

手写字符识别

替换MNIST为EMNIST数据集（包含字母和数字）
医学图像分类

调整输入尺寸为[64 64 1]适应X光片分析
实时目标检测

结合YOLOv2架构实现物体定位