概述

MatConvNet是用于MATLAB的卷積神經(jīng)網(wǎng)絡(luò)（CNN）的實(shí)現(xiàn)。工具箱的設(shè)計(jì)注重簡(jiǎn)單性和靈活性。它將CNN的構(gòu)建塊暴露為易于使用的MATLAB函數(shù)，提供用于計(jì)算具有過(guò)濾器組的線性卷積，特征池化等的例程。以這種方式，MatConvNet允許新的CNN快速原型架構(gòu);同時(shí)，它支持CPU和GPU上的有效計(jì)算，允許在大型數(shù)據(jù)集（如ImageNet ILSVRC）上訓(xùn)練復(fù)雜模型。本文檔概述了CNN及其在MatConvNet中的實(shí)現(xiàn)，并給出了工具箱中每個(gè)計(jì)算模塊的技術(shù)細(xì)節(jié)。

**章節(jié)一MatConvNet簡(jiǎn)介**MatConvNet是一個(gè)實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)（CNN）的MATLAB工具箱，被應(yīng)用于計(jì)算機(jī)視覺(jué)。 自從[7]的突破性工作以來(lái)，CNN已經(jīng)在計(jì)算機(jī)視覺(jué)領(lǐng)域產(chǎn)生重要影響，特別是在圖像理解上，基本上取代了傳統(tǒng)的圖像表示。例如在我們自己的VLFeat [11]開(kāi)源庫(kù)中實(shí)現(xiàn)的圖像表示。

雖然大多數(shù)CNN是通過(guò)組合簡(jiǎn)單的線性和非線性濾波操作獲得的，諸如卷積和整形，它們的卻并非微不足道。原因是CNN需要從大量的數(shù)據(jù)，通常是數(shù)百萬(wàn)的圖像中學(xué)習(xí)，需要非常有效的實(shí)現(xiàn)。 作為大多數(shù)CNN庫(kù)，MatConvNet通過(guò)使用各種優(yōu)化，主要是通過(guò)支持GPU上的計(jì)算來(lái)實(shí)現(xiàn)這一點(diǎn)。

存在許多其他機(jī)器學(xué)習(xí)，深度學(xué)習(xí)和CNN開(kāi)源庫(kù)。引用一些最流行的：像CudaConvNet，Torch，Theano，Caffe。 許多這些庫(kù)得到很好的支持，有幾十個(gè)積極的貢獻(xiàn)者和大量的用戶基礎(chǔ)。 因此，為什么要?jiǎng)?chuàng)建另一個(gè)庫(kù)？

開(kāi)發(fā)MatConvNet的關(guān)鍵動(dòng)機(jī)是為研究人員提供一個(gè)特別友好和有效的環(huán)境，以便在其研究中使用。MatConvNet通過(guò)其在MATLAB環(huán)境中的深度集成實(shí)現(xiàn)了這一點(diǎn)，MATLAB環(huán)境是計(jì)算機(jī)視覺(jué)研究以及許多其他領(lǐng)域中最受歡迎的開(kāi)發(fā)環(huán)境之一。特別地，MatConvNet公開(kāi)了簡(jiǎn)單的MATLAB命令CNN構(gòu)建塊，如卷積，歸一化和合并（第4章）; 這些可以組合和擴(kuò)展以輕松創(chuàng)建CNN架構(gòu)。雖然有許多這樣的模塊，使用用C ++和CUDA（第1.4節(jié)）編寫優(yōu)化的CPU和GPU實(shí)現(xiàn)，但是MATLAB本身支持GPU計(jì)算意味著通常可以在保持計(jì)算效率的同時(shí)在MATLAB中直接寫入新的塊。與使用低級(jí)語(yǔ)言編寫新的CNN組件相比，這是一個(gè)重要的簡(jiǎn)化，可以顯著加速測(cè)試新的想法的速度。使用MATLAB還提供了一個(gè)連接到其他領(lǐng)域的橋梁;例如，MatConvNet最近被亞利桑那大學(xué)用于行星科學(xué)，正如NVIDIA的博客文章中所總結(jié)的。

MatConvNet可以從數(shù)以百萬(wàn)計(jì)的圖像學(xué)習(xí)大型CNN模型，如AlexNet [7]和非常深的網(wǎng)絡(luò)[9]。這些強(qiáng)大模型中的幾個(gè)的預(yù)訓(xùn)練版本可以從MatConvNet主頁(yè)下載。雖然功能強(qiáng)大，MatConvNet仍易于使用和安裝。 實(shí)現(xiàn)是完全獨(dú)立的，只需要MATLAB和兼容的C ++編譯器（使用GPU代碼需要免費(fèi)提供的CUDA DevKit和合適的NVIDIA GPU）。如圖1.1所示和第1.1節(jié)，可以使用三個(gè)MATLAB命令下載，編譯和安裝MatConvNet。包括了幾個(gè)完整功能的示例，演示如何可以學(xué)習(xí)小型和大型網(wǎng)絡(luò)。重要的是，幾個(gè)標(biāo)準(zhǔn)的預(yù)訓(xùn)練網(wǎng)絡(luò)可以立即下載并在應(yīng)用程序中使用。有一與工具箱一起保留了具有完整的工具箱技術(shù)描述的手冊(cè)8。這些特性使MatConvNet在教育背景下非常有用。?
MatConvNet是根據(jù)BSD類似許可證的開(kāi)放源代碼。 它可以從http://www.vlfeat.org/matconvnet以及從GitHub.10下載。

1.1入門

MatConvNet易于安裝和使用fig1.1提供了一個(gè)完整的例子，使用最新一代深卷積神經(jīng)網(wǎng)絡(luò)分類圖像。 該示例包括下載MatConvNet，編譯包，下載預(yù)訓(xùn)練的CNN模型，并在MATLAB的一個(gè)圖像上評(píng)估該模型。

在這個(gè)例子中的key命令是vl_simplenn，一個(gè)用CNN網(wǎng)絡(luò)和預(yù)處理圖像im_的包裝器作為輸入，并且產(chǎn)生結(jié)果的結(jié)構(gòu)res作為輸出。?
該特定包裝器可以用于對(duì)具有簡(jiǎn)單結(jié)構(gòu)，即操作鏈的網(wǎng)絡(luò)建模。?
檢查vl_simplenn（在MatConvNet中編輯vl_simplenn）的代碼，我們注意到包裝器順序地轉(zhuǎn)換數(shù)據(jù)，應(yīng)用由網(wǎng)絡(luò)配置指定的一些MATLAB函數(shù)。這些功能，在第4章中詳細(xì)討論，稱為“構(gòu)建塊”，并構(gòu)成MatConvNet的骨干。

雖然大多數(shù)塊實(shí)現(xiàn)簡(jiǎn)單操作，但他們效率使之不平凡（第1.4節(jié)），它們以及支持反向傳播（第2.3節(jié)）以允許學(xué)習(xí)CNN。接下來(lái)，我們演示如何直接使用這樣的構(gòu)建塊之一。 為了該示例考慮使用線性濾波器組對(duì)圖像進(jìn)行卷積。首先在MATLAB中讀取圖像，比如說(shuō)使用?
im=single(imread('peppers.png'))?
得到H*W*D矩陣im，其中D = 3是圖像中的顏色通道的數(shù)量。然后用?
f=randn(3,3,3,16,'single')?
來(lái)創(chuàng)建一個(gè)K = 16個(gè)隨機(jī)字母大小為3 * 3的數(shù)組。?
最后，使用命令?
y = vl_nnconv(x,f,[])?
將圖像與過(guò)濾器卷積。 這將產(chǎn)生一個(gè)數(shù)組y帶有K個(gè)通道，每個(gè)通道用于bank中的每一個(gè)。

雖然鼓勵(lì)用戶直接使用塊來(lái)創(chuàng)建新的架構(gòu)，但MATLAB提供了包裝器，如用于標(biāo)準(zhǔn)CNN架構(gòu)的vl_simplenn，如AlexNet [7]或Network-in-Network [8]。 此外，庫(kù)提供了大量示例（在examples /子目錄中），包括在MNIST，CIFAR和ImageNet數(shù)據(jù)集上學(xué)習(xí)各種模型的代碼。?
所有這些示例使用examples / cnn_train訓(xùn)練代碼，它是隨機(jī)梯度下降的實(shí)現(xiàn)（第3.3節(jié)）。雖然這個(gè)訓(xùn)練代碼是完全可維護(hù)的和相當(dāng)靈活，它仍然在examples /子目錄，因?yàn)樗悬c(diǎn)問(wèn)題特定。 歡迎用戶實(shí)施他們的優(yōu)化器。

總結(jié)

以上是生活随笔為你收集整理的MatConvnet工具箱文档翻译理解（1）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。