深度学习工具箱 (Deep Learning Toolbox)

 来构建和训练卷积神经网络（CNN）以进行图像分类。

与使用 Python 的 TensorFlow 或 PyTorch 相比，MATLAB 提供了一个非常直观和集成化的环境，特别适合原型设计、教学以及快速上手。

1. 准备工作：数据准备与预处理

在 MATLAB 中组织图像数据最方便的方式是使用 

 对象。它能自动从文件夹结构中读取图像，并根据文件夹名称自动分配标签。

假设你的图像数据按以下结构组织：

myDataset/
    train/
        cat/
            cat001.jpg
            cat002.jpg
            ...
        dog/
            dog001.jpg
            dog002.jpg
            ...
    validation/
        cat/
            cat101.jpg
            ...
        dog/
            dog101.jpg
            ...

% 指定训练和验证数据路径
imdsTrain = imageDatastore('myDataset/train', ...
    'IncludeSubfolders', true, ...
    'LabelSource', 'foldernames');
​
imdsValidation = imageDatastore('myDataset/validation', ...
    'IncludeSubfolders', true, ...
    'LabelSource', 'foldernames');

 来调整图像大小并进行实时数据增强，这能有效防止过拟合。

% 定义输入图像尺寸（必须与网络输入层大小匹配）
inputSize = [227 227 3]; % 例如 AlexNet 的输入尺寸
​
% 创建增强的图像数据存储
augmenter = imageDataAugmenter( ...
    'RandRotation', [-20, 20], ...      % 随机旋转 ±20 度
    'RandXReflection', true, ...        % 随机水平翻转
    'RandXTranslation', [-10 10], ...   % 随机水平平移
    'RandYTranslation', [-10 10]);      % 随机垂直平移
​
augimdsTrain = augmentedImageDatastore(inputSize(1:2), imdsTrain, ...
    'DataAugmentation', augmenter, ...
    'ColorPreprocessing', 'gray2rgb'); % 如果原图是灰度图，将其复制为3通道
​
% 验证集通常不需要增强，只需调整大小
augimdsValidation = augmentedImageDatastore(inputSize(1:2), imdsValidation);

2. 定义卷积神经网络（CNN）架构

你有三种主要方法来定义网络结构：

方法一：使用预训练网络（迁移学习 - 推荐！）

这是最快、最有效的方法，尤其适用于数据量不大的情况。MATLAB 提供了许多经典的预训练模型。

% 加载预训练网络（例如 AlexNet, GoogLeNet, ResNet-50, EfficientNet等）
net = alexnet; % 或 googlenet, resnet50, efficientnetb0 等
% 使用 analyzeNetwork(net) 可以可视化网络结构
​
% 修改网络以适配你的分类问题
% 1. 提取网络层结构
lgraph = layerGraph(net);
​
% 2. 找到并替换最后的全连接层和输出层
% 查看原网络最后的层名
net.Layers(end) % 通常是输出层
net.Layers(end-2) % 通常是全连接层
​
% 根据你的类别数量，定义新的全连接层和输出层
numClasses = numel(categories(imdsTrain.Labels));
newFCLayer = fullyConnectedLayer(numClasses, ...
    'Name', 'new_fc', ...
    'WeightLearnRateFactor', 10, ... % 让这层学得快一些
    'BiasLearnRateFactor', 10);
newOutputLayer = classificationLayer('Name', 'new_classoutput');
​
% 3. 替换网络中的层
lgraph = replaceLayer(lgraph, 'fc8', newFCLayer); % 'fc8' 是 AlexNet 最后一全连接层名
lgraph = replaceLayer(lgraph, 'output', newOutputLayer); % 'output' 是 AlexNet 最后输出层名
% 不同预训练网络层名不同，需查看后修改

方法二：从 MATLAB 内置架构创建新网络

% 使用 MATLAB 预定义的轻量级网络，如 squeezenet
net = squeezenet;
lgraph = layerGraph(net);
% ... (同样需要修改最后的分类层)

方法三：从头开始自定义网络架构（适用于学习或特定需求）

layers = [
    % 输入层
    imageInputLayer(inputSize, 'Name', 'input')
    
    % 第一个卷积块
    convolution2dLayer(3, 32, 'Padding', 'same', 'Name', 'conv_1')
    batchNormalizationLayer('Name', 'bn_1')
    reluLayer('Name', 'relu_1')
    maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool_1')
    
    % 第二个卷积块
    convolution2dLayer(3, 64, 'Padding', 'same', 'Name', 'conv_2')
    batchNormalizationLayer('Name', 'bn_2')
    reluLayer('Name', 'relu_2')
    maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool_2')
    
    % 第三个卷积块
    convolution2dLayer(3, 128, 'Padding', 'same', 'Name', 'conv_3')
    batchNormalizationLayer('Name', 'bn_3')
    reluLayer('Name', 'relu_3')
    
    % 分类器部分
    fullyConnectedLayer(64, 'Name', 'fc_1')
    reluLayer('Name', 'relu_fc')
    fullyConnectedLayer(numClasses, 'Name', 'fc_final')
    softmaxLayer('Name', 'softmax')
    classificationLayer('Name', 'output')
];

options = trainingOptions('sgdm', ...      % 优化器： 'sgdm', 'rmsprop', 'adam'
    'InitialLearnRate', 0.001, ...         % 初始学习率
    'MaxEpochs', 15, ...                   % 训练轮数
    'Shuffle', 'every-epoch', ...          % 每轮训练前打乱数据
    'ValidationData', augimdsValidation, ... % 指定验证集
    'ValidationFrequency', 50, ...         % 每50次迭代验证一次
    'Verbose', true, ...                   % 在命令行显示训练过程
    'Plots', 'training-progress', ...      % 显示训练进度图
    'MiniBatchSize', 32, ...               % 批大小（根据GPU内存调整）
    'ExecutionEnvironment', 'auto');       % 'auto', 'gpu', 'cpu'。优先使用GPU加速
% 如果训练时出现内存不足错误，请减小 'MiniBatchSize'

 函数开始训练。这会启动一个图形化窗口显示训练进度。

[netTrained, info] = trainNetwork(augimdsTrain, lgraph, options);

% 使用训练好的网络对验证集进行预测
[YPred, scores] = classify(netTrained, augimdsValidation);
​
% 提取真实标签
YValidation = imdsValidation.Labels;
​
% 计算准确率
accuracy = mean(YPred == YValidation);
fprintf('Validation Accuracy: %.2f%%\n', accuracy * 100);

figure
plotconfusion(YValidation, YPred) % 方法一：简单绘图
​
% 方法二：使用 confusionchart (更推荐，更清晰)
figure
cm = confusionchart(YValidation, YPred);
cm.Title = 'Confusion Matrix for Validation Data';
cm.RowSummary = 'row-normalized'; % 按行显示百分比
cm.ColumnSummary = 'column-normalized';

% 1. 读取图像
newImg = imread('path_to_your_image.jpg');
​
% 2. 调整大小（必须与训练时输入尺寸一致）
newImgResized = imresize(newImg, inputSize(1:2));
​
% 3. 进行分类
[label, score] = classify(netTrained, newImgResized);
​
% 4. 显示图像及预测结果
figure
imshow(newImg)
title(['Predicted: ', char(label), ' (Confidence: ', ...
    num2str(max(score)*100, '%.2f'), '%)'])

推荐代码 卷积神经网络CNN进行图像分类   www.youwenfan.com/contenttee46145.html

使用 MATLAB 及其强大的 深度学习工具箱 (Deep Learning Toolbox) 来构建和训练卷积神经网络（CNN）以进行图像分类。

卷积神经网络进行图像分类

在地球物理勘探中，大地电磁测深（MT）是一种重要的技术手段，而TE（横电）和TM（横磁）模式的正演计算又是其中的核心环节。

人工智能

编程语言

开发工具

使用MATLAB深度学习工具箱构建卷积神经网络（CNN）进行图像分类，支持迁移学习与自定义网络设计。通过ImageDatastore管理数据，利用预训练模型（如AlexNet、ResNet）快速微调，搭配GPU加速训练。提供完整流程：数据预处理、网络构建、训练配置及模型评估，适合快速原型开发与图像识别任务。

4核4G3M云服务器 新用户低至38元/年！

对象存储COS新用户低至1元！


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

卷积神经网络进行图像分类

卷积神经网络进行图像分类

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐