matlab进行深度学习MatCovNe

MatCovNet官网 http://www.vlfeat.org/matconvnet/

 

深度学习12：能力提高， 一步一步的介绍如何本身构建网络和训练，利用MatConvNet - CSDN博客
https://blog.csdn.net/qq_20259459/article/details/65633407

 

深度学习在object tracking中的使用也愈来愈多，从去年的VOT结果来看，不少tracker都应用了convolution feature，总体效果都比以前的方法提升了一大截，因此学习deep learning须要提上日程了。看了HCF以及C-COT的源码，都运用到了matlab的深度学习工具---MatConvNet，因此关于它的使用了解了一番。

一、首先是下载，能够到http://www.vlfeat.org/matconvnet/去下载，不过C-COT的做者Martin大神的源码的说明文档readme中也提供了github的下载连接

 

二、经过执行  mex -setup 来设置matlab的C++编译器（VS2010 or  greater）

 

三、将MatConvNet的path加到matlab路径中去

 

1.  
   cd matconvnet-master
2.  
   addpath matlab

 

 

四、须要Compile MatConvNet。

 

 

vl_compilenn

 

 

固然，最好是写一个文件，执行3.4步。

 

好比，CompileCPU.m

 

1.  
   % Compiling for CPU
2.  
   addpath matlab
3.  
   vl_compilenn

 

 

若是想应用GPU计算，须要写成CompileGPU.m

 

 

1.  
   addpath matlab
2.  
   vl_compilenn('enableGpu', true,...
3.  
   'cudaRoot', '/Developer/NVIDIA/CUDA-6.5', ...%本身安装的CUDA的路径
4.  
   'cudaMethod', 'nvcc', ...
5.  
   'enableCudnn', true, ...
6.  
   'cudnnRoot', 'local/cudnn-rc2') ;

 

 

这里须要注意，目前MatConvNet只支持英伟达的显卡，我看了一下个人台式机的显卡是intel的集成显卡，不能用，汗。因此，这里仍是先介绍在CPU下进行处理的方式。

 

 

五、加载预训练的模型。

须要从官网下载一个network（也就是 a pre-trained CNN）

连接戳 http://www.vlfeat.org/matconvnet/pretrained/

 

六、setup MatConvNet。

 

run matlab/vl_setupnn

 

七、 load the pre-trained CNN。

 

 

net = load('D:\MenghanZhou\matlab_work\ToolsBoxes\networks\imagenet-vgg-m-2048.mat');

 

这里的net是一个预训练模型，是一个线性链组成的网络。它是一个结构体的形式：

 

其中，layers有21层（不一样的预训练模型的卷积层数目不一样）

      meta包含3个结构体

classes是已经训练好的模型对事物的1000种分类。

 

 

---------------------------我是分割线-----------------------------

来看一个例子，利用VGG已经训练好的模型对这张图片分类。

代码以下：

1.  
   %将pepper.png这张图按照模型，根据得分肯定最应该属于的类别
2.  
   run matlab/vl_setupnn
3.  
   net = load( 'D:\MenghanZhou\matlab_work\ToolsBoxes\networks\imagenet-vgg-m-2048.mat');
4.  
   im = imread( 'peppers.png');
5.  
   im_ = single(im);
6.  
   im_ = imresize(im_,net.meta.normalization.imageSize( 1:2));%缩放到224*224大小
7.  
   im_ = im_ - net.meta.normalization.averageImage;%减去均值
8.  
   res = vl_simplenn(net,im_);%res包含了计算结果，以及中间层的输出 最后一层能够用来分类
9.  
   y = res( end).x;%最后一层
10.  
    x = gather(res( end).x);
11.  
    score = squeeze(gather(res( end).x));%分属于每一个类别的分数
12.  
    [bestScore, best] = max(score);
13.  
    figure( 1);
14.  
    clf;
15.  
    imshow(im);
16.  
    title(sprintf( '%s %d,%.3f',net.meta.classes.description{best},best,bestScore));%net.meta.classes.description里存放的是不少种类别的名称
17.  
     

 

 

 

这样，咱们就能够获得下面的结果：

 

这说明，这张图片属于1000中类别中的pepper，并且属于这个类别的几率为0.979。

https://blog.csdn.net/sgfmby1994/article/details/70738883