博主github：https://github.com/MichaelBeechan
博主CSDN：https://blog.csdn.net/u011344545
%% Time：2019.3.7
%% Name：Michael Beechan
%% Github：https://github.com/MichaelBeechan
%% Function:
%% 如何使用卷积神经网络拟合一个回归模型来预测手写数字的旋转角度。
源代码下载：https://download.csdn.net/download/u011344545/11008030
%% 加载数据
%% 数据集包含手写数字的合成图像，以及每幅图像旋转的对应角度(以角度为单位)。
%% 使用digitTrain4DArrayData和digitTest4DArrayData将训练和验证图像加载为4D数组。
%% 输出YTrain和YValidation是以角度为单位的旋转角度。每个训练和验证数据集包含5000张图像。
[XTrain, ~, Ytrain] = digitTrain4DArrayData;
[XValidation, ~, YValidation] = digitTest4DArrayData;
%% 随机显示20张训练图像
numTrainImages = numel(YTrrain);
figure;
idx = randperm(numTrainImages, 20);
for i = 1 : numel(idx)
subplot(4, 5, i);
imshow(XTrain(:, :, :, idx(i)))
drawnow
end
%% 数据归一化处理
%% 当训练神经网络时，确保你的数据在网络的所有阶段都是标准化的通常是有帮助的。
%% 归一化有助于使用梯度下降来稳定和加速网络训练。
%% 如果您的数据规模太小，那么损失可能会变成NaN，并且在培训期间网络参数可能会出现分歧。
%% 标准化数据的常用方法包括重新标定数据，使其范围变为[0,1]或使其均值为0，标准差为1。
%{
你可以标准化以下数据:
1、输入数据。在将预测器输入到网络之前对它们进行规范化。在本例中，输入图像已经标准化为[0,1]范围。
2、层输出。您可以使用批处理规范化层对每个卷积和完全连接层的输出进行规范化。
3、响应。如果使用批处理规范化层对网络末端的层输出进行规范化，则在开始训练时对网络的预测进行规范化。
如果响应的规模与这些预测非常不同，那么网络训练可能无法收敛。
如果你的回答没有得到很好的扩展，那么试着将其标准化，看看网络培训是否有所改善。
如果在训练前对响应进行规范化，则必须转换训练网络的预测，以获得原始响应的预测。
%}
%% 一般来说，数据不必完全标准化。
%% 但是，如果在本例中训练网络来预测100*YTrain或YTrain+500而不是YTrain，那么损失就变成NaN，
%% 当训练开始时，网络参数就会出现分歧。
%% 即使网络预测aY + b和网络预测Y之间的唯一区别是重新调整最终完全连接层的权重和偏差，这些结果仍然会出现。
%% 如果输入或响应的分布非常不均匀或倾斜，还可以执行非线性转换(例如，取对数)
%% 绘制响应分布：在分类问题中，输出是类概率，类概率总是归一化的。
figure;
histogram(YTrain)
axis tight
ylabel('Counts')
xlabel('Rotation Angle')
*********************************************************************************************************************
今天太晚了，明天接着学习，明天见！！！！
*********************************************************************************************************************
2019.3.8
闲言少叙，继续努力
%% 创建网络层
%% 第一层定义输入数据的大小和类型。输入的图像大小为28×28×1。创建与训练图像大小相同的图像输入层。
%% 网络的中间层定义了网络的核心架构，大部分计算和学习都在这个架构中进行。
%% 最后一层定义输出数据的大小和类型。对于回归问题，全连接层必须先于网络末端的回归层。
layers = [
imageInputLayer([28 28 1])
batchNormalizationLayer
reluLayer
averagePooling2dLayer(2, 'Stride', 2)
convolution2dLayer(3, 16, 'Padding', 'same')
batchNormalizationLayer
reluLayer
averagePooling2dLayer(2, 'Stride', 2)
convolution2dLayer(3, 32, 'Padding', 'same')
batchNormalizationLayer
reluLayer
concolution2dLayer(3, 32, 'Padding', 'same')
batchNormalizationLayer
reluLayer
dropoutLayer(0, 2)
fullyConnectedLayer(1)
regressionLayer];
%% 训练网络——Options
%% Train for 30 epochs 学习率0.001 在20个epoch后降低学习率。
%% 通过指定验证数据和验证频率，监控培训过程中的网络准确性。
%% 根据训练数据对网络进行训练，并在训练过程中定期对验证数据进行精度计算。
%% 验证数据不用于更新网络权重。打开训练进度图，并关闭命令窗口输出。
miniBatchSize = 128;
validationFrequency = floor(numel(YTrain) / miniBatchSize);
options = trainingOptions('sgdm', ...
'MiniBatchSize', miniBatchSize, ...
'MaxEpochs', 30, ...
'InitialLearnRate', 1e-3, ...
'LearnRateSchedule', 'piecewise', ...
'LearnRateDropFactor', 0.1, ...
'LearnRateDropPeriod', 20, ...
'Shuffle', 'every-epoch', ...
'ValidationData', {XValidation, YValidation}, ...
'ValidationFrequency', validationFrequency, ...
'Plots', 'training-progress', ...
'Verbose', false);
net = trainNetwork(XTrain, YTrain, layer, options);
net = trainNetwork(XTrain, YTrain, layers, options);
%% net细节
net.Layers
ans =
17x1 Layer array with layers:
1 'imageinput' Image Input 28x28x1 images with 'zerocenter' normalization
2 'batchnorm_1' Batch Normalization Batch normalization with 1 channels
3 'relu_1' ReLU ReLU
4 'avgpool_1' Average Pooling 2x2 average pooling with stride [2 2] and padding [0 0 0 0]
5 'conv_1' Convolution 16 3x3x1 convolutions with stride [1 1] and padding 'same'
6 'batchnorm_2' Batch Normalization Batch normalization with 16 channels
7 'relu_2' ReLU ReLU
8 'avgpool_2' Average Pooling 2x2 average pooling with stride [2 2] and padding [0 0 0 0]
9 'conv_2' Convolution 32 3x3x16 convolutions with stride [1 1] and padding 'same'
10 'batchnorm_3' Batch Normalization Batch normalization with 32 channels
11 'relu_3' ReLU ReLU
12 'conv_3' Convolution 32 3x3x32 convolutions with stride [1 1] and padding 'same'
13 'batchnorm_4' Batch Normalization Batch normalization with 32 channels
14 'relu_4' ReLU ReLU
15 'dropout' Dropout 20% dropout
16 'fc' Fully Connected 1 fully connected layer
17 'regressionoutput' Regression Output mean-squared-error with response 'Response'
%% test 网络
%% 通过评估验证数据的准确性来测试网络的性能。
%% 使用predict预测验证图像的旋转角度。
YPredicted = predict(net, XValidation);
%% 评估性能
%% 计算预测旋转角和实际旋转角的预测误差
predictionError = YValidation - YPredicted;
%% 从真实角度计算在可接受误差范围内的预测数。
%% 设置阈值为10度。计算预测在此阈值内的百分比。
thr = 10;
numCorrect = sum(abs(predictionError) < thr);
numValidationImages = numel(YValidation);
accuracy = numCorrect / numValidationImages
accuracy =
0.9446
%% 使用RMSE来测量预测旋转角度和实际旋转角度的差异
squares = predictionError.^2;
rmse = sqrt(mean(squares))
rmse =
single
5.1258
%% 显示每个数字类的残差框图
residualMatrix = reshape(predictionError, 500, 10);
%% 残差矩阵的每一列对应于每一位数字的残差。
figure
boxplot(residualMatrix, ...
'Labels', {'0', '1', '2', '3', '4', '5', '6', '7', '8', '9'})
xlabel('Digit Class')
ylabel('Degrees Error')
title('Residuals')
%% 最后演示修正后的数字旋转效果
%% 使用imrotate(图像处理工具箱)根据预测的旋转角度旋转49位样本数字
%% 'bicubic' Bicubic interpolation. 双立方插值。注:这种插值方法可以产生超出原始范围的像素值。
%% 'crop' 使输出图像B与输入图像A大小相同，裁剪旋转后的图像以适应。
idx = randperm(numValidationImages, 49);
for i = 1 : numel(idx)
image = XValidation(:, :, :, idx(i));
predictedAngle = YPredicted(idx(i));
imagesRotated(:, :, :, i) = imrotate(image, predictedAngle, 'bicubic', 'crop');
end
%% 显示 montage：可以使用蒙太奇(图像处理工具箱)将数字一起显示在单个图像中。
figure
subplot(1, 2, 1)
montage(XValidation(:, :, :, idx))
title('Original')
subplot(1, 2, 2)
montage(imagesRotated)
title('Corrected')
大概就这样了，你看懂了吗？？？？？？？
源代码下载：https://download.csdn.net/download/u011344545/11008030
