手把手实现MATLAB的CNN回归

2023-10-11 15:58| 来源: 网络整理| 查看: 265

基于MATLAB的深度学习工具箱（推荐2018b以上），实现CNN回归。

网上的例子比较少，这里简单的说一下传统的多输入单输出怎么做。手把手的教（PS:MATLAB自带一个回归教程，竟然还是有学生不知道对照着写）

1、首先加载数据与数据集划分

clc;clear;close all load data n=700; train_x=input(:,1:n); train_y=output(:,1:n); test_x=input(:,n+1:end); test_y=output(:,n+1:end);

我的输入数据是m*n形式的，m代表有多少个输入特征（如下训练集集数据特征是209个），n是有多少个样本（如下训练集数据样本是700个），输出数据是1*n，1代表输出是单输出。划分后如下

2、数据归一化（或者标准化，看哪个效果好）

method=@mapminmax; % method=@mapstd; [train_x,train_ps]=method(train_x); test_x=method('apply',test_x,train_ps); [train_y,output_ps]=method(train_y); test_y=method('apply',test_y,output_ps);

程序里用的是mapminmax，就是极大极小值归一化，

3、数据的一个转换，转换成MATLAB的CNN的输入数据形式，是4-D形式的，最后一维就是样本数

trainD=reshape(train_x,[209,1,1,700]);%训练集输入 testD=reshape(test_x,[209,1,1,311]);%测试集输入 targetD = train_y;%训练集输出 targetD_test = test_y;%测试集输出

转换后训练集输入的size是209*1*1*700，输出的size是1*700

4、CNN模型建立

layers = [ imageInputLayer([209 1 1]) %输入层参数设置 convolution2dLayer([3,1],16,'Padding','same')%卷积层的核大小[3 1],因为我们的输入是[209 1],是一维的数据，所以卷积核第二个参数为1就行了，这样就是1d卷积 %、数量，填充方式 reluLayer%relu激活函数 maxPooling2dLayer([2 1],'Stride',2)% 2x1 kernel stride=2 fullyConnectedLayer(384) % 384 全连接层神经元 reluLayer%relu激活函数 fullyConnectedLayer(384) % 384 全连接层神经元 fullyConnectedLayer(1) % 输出层神经元 regressionLayer];%添加回归层，用于计算损失值

5、模型训练与测试

% 设置迭代次数 batchsize 学习率啥的 options = trainingOptions('adam', ... 'MaxEpochs',20, ... 'MiniBatchSize',16, ... 'InitialLearnRate',0.005, ... 'GradientThreshold',1, ... 'Verbose',false,... 'Plots','training-progress',... 'ValidationData',{testD,targetD_test'}); %这里要吐槽一下，输入数据都是最后一维为样本数，偏偏输出要第一维为样本数，所以targetD和targetD_test都取了转置 % 训练 net = trainNetwork(trainD,targetD',layers,options); % 预测 YPred = predict(net,testD); % 结果 YPred=double(YPred');%输出是n*1的single型数据，要转换为1*n的double是数据形式 % 反归一化 predict_value=method('reverse',YPred,output_ps);predict_value=double(predict_value); true_value=method('reverse',targetD_test,output_ps);true_value=double(true_value);

如果options里面没有ValidationData那一句，就看不到验证集（比较懒，没有换分验证集，用的测试集代替）的loss变化，就不方便判断模型有没有过拟合。

6、最后是模型评价

figure plot(true_value,'-*','linewidth',3) hold on plot(predict_value,'-s','linewidth',3) legend('实际值','预测值') grid on rmse=sqrt(mean((true_value-predict_value).^2)); disp(['根均方差(RMSE)：',num2str(rmse)]) mae=mean(abs(true_value-predict_value)); disp(['平均绝对误差（MAE）：',num2str(mae)]) mape=mean(abs((true_value-predict_value)./true_value)); disp(['平均相对百分误差（MAPE）：',num2str(mape*100),'%'])

根均方差(RMSE)：9.3368e-05 平均绝对误差（MAE）：6.9173e-05 平均相对百分误差（MAPE）：0.0069244%

【本文地址】

公司简介

联系我们