网络上大部分matlab神经网络训练流程都应用matlab内置的相关训练函数进行训练，如何让matlab神经网络训练过程拥有像pytorch一样的训练过程呢？本文将通过一个案例介绍如何利用matlab自定义自己的训练流程，希望对你有所启迪，让我们开始吧！
clear,clc加载并处理原始数据
我们使用mnist手写数字识别任务作为案例进行讲解。首先我们将原始数据进行加载。
data_train = load('mnist_train.csv'); % 加载训练数据
data_test = load('mnist_test.csv'); % 加载测试数据此时我们可以发现训练数据维度为60000*785，测试数据维度为10000*785。你会发现，数据中第一列数据为标签，剩下的784项内容，则是把原本的28*28的图像展平后形成的数据。因此训练数据有60000张图片，测试数据有10000张图片。
接下来我们先将标签提取出来。
labels_train = data_train(:,1);
labels_test = data_test(:,1);我们将data中图像数据转化为BCHW的形式，即（批量大小，通道数，高度，宽度）的形式，例如data_train中图像为60000*684，则转换后为60000*1*28*28
images_train = reshape(data_train(:,2:end),[size(data_train,1),1,28,28]);
images_test = reshape(data_test(:,2:end),[size(data_test,1),1,28,28]);网络结构设计
我们使用一个简单的卷积神经网络来完成此任务。网络结构如下图所示。
size_input = [28,28,1]; % 输入尺寸
size_output = 10; % 输出尺寸
layers = [
imageInputLayer(size_input,Normalization="none")
convolution2dLayer(5,20,Padding="same")
batchNormalizationLayer
reluLayer
convolution2dLayer(3,20,Padding="same")
batchNormalizationLayer
reluLayer
convolution2dLayer(3,20,Padding="same")
batchNormalizationLayer
reluLayer
fullyConnectedLayer(size_output)
softmaxLayer];
net = dlnetwork(layers); % 创建网络让我们测试一下网络的输入输出吧！
test_data = images_train(1:20,:,:,:);
test_data = dlarray(test_data,'BCSS'); % 将matlab数组转换为dlarray数据，dlarray是matlab
% 中专门用来进行深度学习的一种数据类型，类似于pytorch中的Tensor张量
test_out = predict(net,test_data);可以发现test_out为一个10*20的dlarray数据，符合网络的输入输出设计。
损失函数设计
要自定义自己的训练流程，合理的损失函数设计是必要的。在代码中，损失函数是为了跟踪变量的输入输出过程，得到网络参数的梯度信息以更新网络参数。
function [loss,Gradients,state] = netLoss_cal(net,inputs,labels)
%% 损失函数设计
[out,state] = forward(net, inputs); % 网络前向传播获得输出
loss = crossentropy(out,labels); % 交叉熵损失函数
Gradients = dlgradient(loss, net.Learnables); % 获得梯度信息
end
设计训练过程
设计好损失函数之后，我们就可以开始自定义训练流程并更新网络参数了，让我们一起来看看吧！
num_train = 10; % 训练次数
% 在训练的过程中，每一次训练都会把训练集中所有数据用到
batch_size = 256; % 训练批量大小（指每一次训练时模型输入数据个数）
batch_size_test = 300; % 测试模型时的输入个数
LearnRate = 0.0001; % 我们使用SGD方法更新网络参数，此处为学习率
momentum = 0.9; % SGD方法中的"动量项"值
num_thistrain = ceil(size(data_train,1)/batch_size); % 一次训练过程中，网络更新次数
vel =[];
for i=1:num_train
Sequence_random = randperm(size(data_train,1)); % 将训练数据的顺序随机打乱
% 进行训练
for j=1:num_thistrain
% 获得该次的训练输入和对应标签
index_end = min([j*batch_size,size(data_train,1)]); % 计算输入数据的末尾下标
index_train = (j-1)*batch_size+1:index_end;
temp_input = images_train(Sequence_random(index_train),:,:,:); % 该次训练的输入
temp_label = labels_train(Sequence_random(index_train),:); % 该次训练的标签
% 更新网络
temp_input_dlarray = dlarray(temp_input,'BCSS'); % 数据类型转化
targets = onehotencode(temp_label',1,'ClassNames',0:9); % 对标签采用onehot编码
targets = dlarray(targets,'CB');
% [loss,Gradients,state] = netLoss_cal(net,inputs,labels)
[loss,Gradients,state] = dlfeval(@netLoss_cal,net,temp_input_dlarray,targets); % 该函数
% 可以跟踪输入在网络中的计算过程，从而得到梯度信息Gradients
net.State = state;
[net,vel] = sgdmupdate(net,Gradients,vel,LearnRate,momentum); % 利用sgd（随机梯度下降）方法更新网络参数，
% 其中vel为更新的速度参数，具体概念可见SGD计算方法过程，以及matlab中sgdmupdate函数用法
end
% 进行测试
Sequence_random_test = randperm(size(data_test,1)); % 将训练数据的顺序随机打乱
temp_input_test = images_test(Sequence_random_test(1:batch_size_test),:,:,:); % 获得测试数据输入
temp_label_test = labels_test(Sequence_random_test(1:batch_size_test),:); % 获得测试数据标签
temp_input_test_dlarray = dlarray(temp_input_test,'BCSS'); % 将测试数据输入转换为dlarray类型
temp_out = predict(net,temp_input_test_dlarray); % 获得输入对应的输出
temp_out = extractdata(temp_out); % 将dlarray类型数据转换为正常matlab数组数据
[~,out_labels] = max(temp_out);
out_labels = out_labels - 1;
% 计算准确率
accur = 0;
for j=1:length(temp_label_test)
if temp_label_test(j) == out_labels(j)
accur = accur + 1;
end
end
accur = accur / length(temp_label_test);
fprintf("第%d轮次训练准确率为%f\n",i,accur)
end最终得到结果如下，可以看到该网络训练识别准确率可以达到98%
改进拓展方法
改进1：上述训练过程是在CPU上进行的，其实，如果你有英伟达显卡的话，我们可以把变量放置在GPU上进行训练，可参考MATLAB官方文档：gpuArray——Array stored on GPU
改进2：如果你想把训练数据放到一个迭代器里边，或者让训练过程可视化，或者设计更多丰富多彩的效果，不妨参考这篇文档：定义自定义训练循环、损失函数和网络
标签：自定义,训练,temp,神经网络,train,MATLAB,test,data,size From： https://blog.csdn.net/weixin_60223645/article/details/136685926