matlab处理手写识别问题
初学神经网络算法--梯度下降、反向传播、优化(交叉熵代价函数、L2规范化) 柔性最大值(softmax)还未领会其要义,之后再说
有点懒,暂时不想把算法重新总结,先贴一个之前做过的反向传播的总结ppt
其实python更好实现些,不过我想好好学matlab,就用matlab写了
然后是算法源码,第一个啰嗦些,不过可以帮助理解算法
function bpback1(ny,eta,mini_size,epoch) %ny:隐藏层为1层,神经元数目为ny;eta:学习速率;mini_size:最小采样;eopch:迭代次数 %该函数为梯度下降+反向传播 %images [numimages,images]=bpimages('train-images.idx3-ubyte'); [n_test,test_data_x]=bpimages('t10k-images.idx3-ubyte'); %labels [numlabels,labels]=bplabels('train-labels.idx1-ubyte'); [n_test,test_data_y]=bplabels('t10k-labels.idx1-ubyte'); %init w/b %rand('state',sum(100*clock)); %ny=30;eta=0.01;mini_size=10; w1=randn(ny,784); b1=randn(ny,1); w2=randn(10,ny); b2=randn(10,1); for epo=1:epoch for nums=1:numimages/mini_size for num=(nums-1)*mini_size+1:nums*mini_size x=images(:,num); y=labels(:,num); net2=w1*x; %input of net2 for i=1:ny hidden(i)=1/(1+exp(-net2(i)-b1(i)));%output of net2 end net3=w2*hidden'; %input of net3 for i=1:10 o(i)=1/(1+exp(-net3(i)-b2(i)));%output of net3 end %back for i=1:10 delta3(i)=(y(i)-o(i))*o(i)*(1-o(i));%delta of net3 end for i=1:ny delta2(i)=delta3*w2(:,i)*hidden(i)*(1-hidden(i));%delta of net2 end %updata w/b for i=1:10 for j=1:ny w2(i,j)=w2(i,j)+eta*delta3(i)*hidden(j)/mini_size; end end for i=1:ny for j=1:784 w1(i,j)=w1(i,j)+eta*delta2(i)*x(j)/mini_size; end end for i=1:10 b2(i)=b2(i)+eta*delta3(i); end for i=1:ny b1(i)=b1(i)+eta*delta2(i); end end end %calculate sum of error %accuracy sum0=0; for i=1:1000 x0=test_data_x(:,i); y0=test_data_y(:,i); a1=[]; a2=[]; s1=w1*x0; for j=1:ny a1(j)=1/(1+exp(-s1(j)-b1(j))); end s2=w2*a1'; for j=1:10 a2(j)=1/(1+exp(-s2(j)-b2(j))); end a2=a2'; [m1,n1]=max(a2); [m2,n2]=max(y0); if n1==n2 sum0=sum0+1; end %e=o'-y; %sigma(num)=e'*e; sigma(i)=sumsqr(a2-y0); %代价为误差平方和 end sigmas(epo)=sum(sigma)/(2*1000); fprintf('epoch %d:%d/%d\n',epo,sum0,1000); end plot(sigmas); xlabel('epoch'); ylabel('cost on the training_data'); end
function bpback2(ny,eta,mini_size,epoch,numda) %ny:隐藏层为1层,神经元数目为ny;eta:学习速率;mini_size:最小采样;eopch:迭代次数 %bpback的优化,包括L2规范化、交叉熵代价函数的引入---结果证明该优化非常赞! %images [numimages,images]=bpimages('train-images.idx3-ubyte'); [n_test,test_data_x]=bpimages('t10k-images.idx3-ubyte'); %labels [numlabels,labels]=bplabels('train-labels.idx1-ubyte'); [n_test,test_data_y]=bplabels('t10k-labels.idx1-ubyte'); %init w/b %ny=30;eta=0.05;mini_size=10;epoch=10;numda=0.1; rand('state',sum(100*clock)); w1=randn(ny,784)/sqrt(784); b1=randn(ny,1); w2=randn(10,ny)/sqrt(ny); b2=randn(10,1); for epo=1:epoch for nums=1:numimages/mini_size for num=(nums-1)*mini_size+1:nums*mini_size x=images(:,num); y=labels(:,num); net2=w1*x; %input of net2 hidden=1./(1+exp(-net2-b1));%output of net2 net3=w2*hidden; %input of net3 o=1./(1+exp(-net3-b2));%output of net3 %back delta3=(y-o);%delta of net3 由于交叉熵代价函数的引入,偏导被消去 delta2=w2'*delta3.*(hidden.*(1-hidden));%delta of net2 %updata w/b w2=w2*(1-eta*numda/numimages)+eta*delta3*hidden'/mini_size; %L2规范化 w1=w1*(1-eta*numda/numimages)+eta*delta2*x'/mini_size; b2=b2+eta*delta3/mini_size; b1=b1+eta*delta2/mini_size; end end %calculate sum of error %accuracy sum0=0; for i=1:1000 x0=test_data_x(:,i); y0=test_data_y(:,i); a1=[]; a2=[]; a1=1./(1+exp(-w1*x0-b1)); a2=1./(1+exp(-w2*a1-b2)); [m1,n1]=max(a2); [m2,n2]=max(y0); if n1==n2 sum0=sum0+1; end %e=o'-y; %sigma(num)=e'*e; sigma(i)=m2*log(m1)+(1-m2)*log(1-m1); %计算代价cost end sigmas(epo)=-sum(sigma)/1000; %cost求和 fprintf('epoch %d:%d/%d\n',epo,sum0,1000); end plot(sigmas); xlabel('epoch'); ylabel('cost on the training_data'); end
好好学习,天天向上,话说都没有表情用,果然是程序猿的世界,我还是贴个表情吧
matlab处理手写识别问题的更多相关文章
- 基于MATLAB的手写公式识别(9)
基于MATLAB的手写公式识别(9) 1.2图像的二值化 close all; clear all; Img=imread('drink.jpg'); %灰度化 Img_Gray=rgb2gray(I ...
- 基于MATLAB的手写公式识别(6)
基于MATLAB的手写公式识别 2021-03-29 10:24:51 走通了程序,可以识别"心脑血管这几个字",还有很多不懂的地方. 2021-03-29 12:20:01 tw ...
- 基于MATLAB的手写公式识别(5)
基于MATLAB的手写公式识别 总结一下昨天一天的工作成果: 获得了大致的识别过程. 一个图像从生肉到可以被处理需要经过预处理(灰质化.增加对比度.中值过滤.膨胀或腐蚀.闭环运算). 掌握了相关函数的 ...
- 基于MATLAB的手写公式识别(3)
基于MATLAB的手写公式识别 图像的膨胀化,获取边缘(思考是否需要做这种处理,初始参考样本相对简单) %膨胀 imdilate(dilate=膨胀/扩大) clc clear A1=imread(' ...
- 基于MATLAB的手写公式识别(2)
基于MATLAB的手写公式识别 图像的预处理(除去噪声.得到后续定位分割所需的信息.) 预处理其本质就是去除不需要的噪声信息,得到后续定位分割所需要的图像信息.图像信息在采集的过程中由于天气环境的影响 ...
- 基于MATLAB的手写公式识别(1)
基于MATLAB的手写公式识别 reason:课程要求以及对MATLAB强大生命力的探索欲望: plan date:2021/3/28-2021/4/12 plan: 进行材料搜集和思路整理: 在已知 ...
- 【Win 10 应用开发】手写识别
记得前面(忘了是哪天写的,反正是前些天,请用力点击这里观看)老周讲了一个14393新增的控件,可以很轻松地结合InkCanvas来完成涂鸦.其实,InkCanvas除了涂鸦外,另一个大用途是墨迹识别, ...
- JS / Egret 单笔手写识别、手势识别
UnistrokeRecognizer 单笔手写识别.手势识别 UnistrokeRecognizer : https://github.com/RichLiu1023/UnistrokeRecogn ...
- (手写识别) Zinnia库及其实现方法研究
Zinnia库及其实现方法研究 (转) zinnia是一个开源的手写识别库.采用C++实现.具有手写识别,学习以及文字模型数据制作转换等功能. 项目地址 [http://zinnia.sourcefo ...
随机推荐
- MySQL数据库优化_limit_1
转自:https://blog.csdn.net/cbjcry/article/details/70155118 1. MySQL中,在某些情况下,如果明知道查询结果只有一个,SQL语句中使用LIMI ...
- script ajax / XHR / XMLHttpRequest
s 利用XHR 调试发送form data表单数据,F5键刷新form表单URL ,http请求地址,获取token,提交. 如:http://pcp.cns*****.com/spcp-web/vm ...
- java基本类型及其相互转换
1.基本数据类型 java中是采用Unicode编码的,其一个字符占用两个字节,故java中字符char可以存储一个中文汉字 整数默认是int类型,浮点数默认是double类型 在定义long类型的变 ...
- c++ hash_map/unordered_map 使用
C++中有很多中key-value形式的容器,map/hash_map/unordered_map/vector_map.下面讲述各个map的使用及其区别. map: #include <ios ...
- JAVA-获取 JDK 动态代理生成的 Class 文件
可指定路径 import sun.misc.ProxyGenerator; import java.io.FileOutputStream; import java.io.IOException; i ...
- Docker 容器管理
单一容器管理 容器的标识符 每个容器被创建后都会分配一个CONTAINER_ID作为容器的唯一标识符,后续的启动.停止等操作都通过CONTAINER_ID来完成的. CONTAINER_ID很难记忆, ...
- Hadoop记录-监控几个思路
1.存活监控 基本监控,主要对进程的存活.端口连通性.url可检测性等指标进行监控. 2.2 可用性监控 主要指对用户而言是否可用,能否返回预期结果,通常部署在一些业务主流程或一些关键环节,如接口调用 ...
- 各种loading加载中gif图标
点击这里打包下载更多样式
- extern "C" 含义
extern "C" 被 extern 限定的函数或变量是 extern 类型的 被 extern "C" 修饰的变量和函数是按照 C 语言方式编译和链接的 e ...
- Python复习笔记(七)线程和进程
1. 多任务 并行:真的多任务 并发:假的多任务 2. 多任务-线程 Python的 Thread模块是比较底层的模块,Python的 Threading模块 是对Thread做了一些包装,可以更加方 ...