卷积神经网络代码理解 1、代码来源： 代码来自DeepLearnToolbox-master，是matlab 一个深度学习的工具包，里面含有很多机器学习算法，如卷积神经网络CNN，深度信念网络DBN，自动编码AutoEncoder 等。 2、C N N 函数介绍 函数名称 功能 example.m 使用样例，设置网络结构及训练参数（卷积，下采样层数；卷积核大小，下采样降幅，学习率，迭代次数等） cnnsetup.m 构建网络结构，并初始化网络中各参数，包括各层特征图大小，卷积核权重 cnntrain.m 训练网络 cnnff.m 训练网络—向前传播过程（卷积、下采样、全连接、输出等） cnnbp.m 训练网络—误差反向传播过程 cnnapplygrads.m 权重修改，更新模型 cnntest.m 验证测试样本的准确率 3 、函数调用关系 图 3-1 函数调用关系图 4 、样例数据集 该模型使用了 mnist 的数字 mnist_u int8.mat 作为样本，每个样本特征为一个 28*28 的向量。其中训练集样本 60000,测试集样本 10000，并将首先将样本像元值转化为一维向量作为网络的输入： 样本示例如下图所示： 图 4-1 样本示例图 图 4-2 样本预处理 5 、样例网络结构 图5-1 网络结构图 6 、算法流程 图 6-1 算法流程 7 、误差反向传播过程 7.1 计算误差和 Loss Fu nction 7.2 计算单层感知机的灵敏度 7.3 把单层感知机的输入层的误差矩阵，恢复为4*4 二维矩阵形式 7.4 误差在特征提取网络【卷积降采样层】的传播 7.4.1 卷积层敏感度向前传播 假设拿出第 l 层某个特征图图，大小为3× 3，第 l+1 层核大小为2× 2 卷积核为： 灵敏度为： 采用’full’模式需先将第l+1 层2 个卷积图扩充，周围填0, I 层灵敏度 7.4.2 采样层灵敏度向前传播 假设卷积层的矩形大小为4×4， pooling 区域大小为2×2， 则 pooling 后得到的矩形大小也为2*2，如果此时 pooling 后的矩形误差敏感值如下： 则按照 mean-pooling，首先得到的卷积层应该是 4×4 大小，其值分布为(等值复制)： 因为得满足反向传播时各层间误差敏感总和不变，所以卷积层对应每个值需要平摊（除以pooling 区域大小，这里pooling 层大小为2×2=4)），最后的卷积层值分布为： 7.5 计算卷积层和单层感知机的梯度 7.6 权重及偏置修改，更新模型 8 、示例（训练一个样本） 8 .1 初始化网络 8.1.1 初始化网络结构，代码如下： 其结构如下图所示，从左到右依次命名为：输入层、卷积层 1、降...
