目录

下载CIFAR-10数据集

对数据集进行处理

设计网络结构

基础识别网络的设计

基础网络的训练结果和改进

改进网络的结果分析

附

        关于CIFAR数据集网上已经有很多使用的教程，MATLAB官方也给出了一个示例，但是因为课程要求我们不能使用网上的示例，并且要自己分析网络结构对于训练结果的影响，所以我写了这篇文章，记录一下自己摸索着使用CIFAR-10数据集的过程。

        点击下面这个链接，找到下图里蓝色字样的下载链接就可以下载CIFAR-10的数据集啦。按照需求下载即可，我需要在MATLAB里处理这些数据，因此下载的是MATLAB version。

        CIFAR-10 and CIFAR-100 datasets (toronto.edu)

        由于我的训练网络是在MATLAB提供的示例基础上进行修改得来的，而该网络读取的是.jpg或,png格式的文件，但CIFAR-10提供的是.mat格式的文件，因此需要先对解压后的CIFAR-10文件进行处理。

        首先在MATLAB的根目录下创建名为“CIFAR-10-batches-mat”的文件夹，并在该文件夹下创建名为“test”和“train”的文件夹，在“test”和“train”文件夹里分别创建名为“0”-“9”的文件夹。等会我们要把数据集里的图片存到这里，训练集的十类数据按类放进“train”文件夹下的“0”-“9”的文件夹里，同样，测试集的十类数据放进“test”文件夹下的“0”-“9”的文件夹里。（选择其他位置也可以，只是放在MATLAB根目录下调用起来比较方便）

        之后就可以使用MATLAB把数据集里的图片按标签放在这些文件夹里啦，具体的代码如下：

        如果将数据集解压到MATLAB根目录下，并按照上文的要求在MATLAB根目录下创建了文件夹，那么代码中注释的部分就只需要修改前面MATLAB的路径即可。

        执行完代码后你会发现，“test”和“train”的每个子文件夹下图片都已经按照它的类别分好了。比如“0”文件夹，其中就只包含标签为“airplane”的图片。

        首先向MATLAB中导入这些图片和对应的标签，代码如下：

        其中“matlabroot”变量代表MATLAB的根目录位置。

        之后设置网络输入参数，因为CIFAR数据集提供的是的rgb图片，因此设置图片输入层参数为32 32 3。同时为了防止网络对图片的过拟合，需要对图片进行强化，具体来说就是对图片设置随机反转、随机X轴或Y轴平移等。代码如下：

        网络的设置了三层卷积层，相邻卷积层之间通过池化层连接，最后连接一个全连接层。这样一个简单的网络就设计好啦。训练轮次MaxEpochs设置为20轮，验证集ValidationData设置为刚导入的测试集图片“test_imds”，验证频率ValidationFrequency设置为30，即可开始训练。完整代码如下

        把上面的代码粘到MATLAB里直接运行即可。训练时间大概为30min（因硬件不同而异），训练之后就可以得到一个能够识别这十类图片的网络了。

        根据上文的代码，即可训练出一个网络。但是我训练完这个网络之后发现一个问题，那就是该网络对“猫”和“狗”的识别效果很差。  

        可以看到，在混淆矩阵中有接近一半的“猫”图片被识别为“狗”（3代表“猫”类，5代表“狗”类）。让神经网络识别在网上找的猫猫图片，同样会把猫识别成狗。说明网络对于猫和狗的细节部分还是没有把握住。因此可以考虑增加卷积层的数量，同时增加训练的迭代轮数，强化网络对猫和狗的不同特征的学习。代码如下：

        训练轮次调整为了50，并且网络又增加了2层卷积层，因此训练起来会更费时间，大概在50min左右。

        改进以后的网络虽然训练时间更长了，但是识别结果也更准了，对“猫”类的识别正确率由原来的57.5%一下子提高到92.8%，整体识别率为95.69%，提高了很多。原本识别错误的猫猫图片现在也能识别正确了。

训练好的网络对图片进行分类的代码

        绘制混淆矩阵图的代码这里就不放啦，有需要可以私信我。