Matlab使用CNN卷积神经网络进行图像分类，使用了猫狗大战数据集的4000个图像(2000猫2000狗)，分为猫狗两个类别。 也可以改成多分类。 注释详细，可直接运行，可以直接换成自己的数据，源代码和数据文件都会发给你。 工作如下： 1、加载数据集，并划分，70%训练，10%验证，20%测试。 数据量一共为4000(2000猫2000狗)。 2、搭建CNN网络，网络为三层，构建优化器。 3、训练 4、测试，计算准确率，绘制混淆矩阵。 注：本程序只用于教学练习如何在Matlab里使用CNN，由于数据量太少和网络简单，准确率结果并不是很好。 4000样本时，GPU运行时间大约7分钟。 为了方便没有GPU的同学学习，又设计了CPU版本。 不用GPU的版本：只用了1000个样本(500猫500狗)，在CPU上训练大约用时15分钟。 网络层数也降低为了两层，且没有使用验证集。

一、引言

在机器学习领域，图像分类是一个非常重要的任务，而卷积神经网络（CNN）在图像分类上表现卓越。今天咱们就来聊聊如何在Matlab中利用CNN对猫狗大战数据集进行图像分类，这不仅能帮大家掌握CNN在Matlab中的应用，还能加深对图像分类流程的理解。

二、数据集相关操作

（一）完整数据集划分（GPU版本）

咱们一共有4000个图像（2000猫和2000狗），要将其按70%训练，10%验证，20%测试划分。

% 加载图像数据存储库
imageDir = 'your_path_to_dataset'; % 这里换成实际数据集路径
imds = imageDatastore(imageDir, 'IncludeSubfolders', true, 'LabelSource', 'foldernames');

% 划分数据集
numImages = numel(imds.Files);
idx = randperm(numImages);
trainIdx = idx(1:round(numImages*0.7));
valIdx = idx(round(numImages*0.7)+1:round(numImages*0.8));
testIdx = idx(round(numImages*0.8)+1:end);

trainDS = subset(imds, trainIdx);
valDS = subset(imds, valIdx);
testDS = subset(imds, testIdx);

代码分析：首先，我们通过imageDatastore函数来加载数据集，IncludeSubfolders设置为true表示包含子文件夹，LabelSource设置为foldernames意味着文件夹名就是图像的类别标签。然后通过随机数生成打乱图像顺序的索引idx，再根据比例划分出训练集、验证集和测试集的索引，最后用subset函数分别创建三个子集。

（二）小数据集划分（CPU版本）

对于没有GPU的同学，我们准备了小数据集版本，只用1000个样本（500猫和500狗），且不使用验证集。

% 加载小图像数据存储库
smallImageDir = 'your_path_to_small_dataset'; % 小数据集路径
smallImds = imageDatastore(smallImageDir, 'IncludeSubfolders', true, 'LabelSource', 'foldernames');

% 划分小数据集
numSmallImages = numel(smallImds.Files);
smallIdx = randperm(numSmallImages);
smallTrainIdx = smallIdx(1:round(numSmallImages*0.8));
smallTestIdx = smallIdx(round(numSmallImages*0.8)+1:end);

smallTrainDS = subset(smallImds, smallTrainIdx);
smallTestDS = subset(smallImds, smallTestIdx);

代码分析：和上面类似，只是针对小数据集进行操作，同样是用imageDatastore加载，再随机划分训练集和测试集。

三、搭建CNN网络

（一）三层CNN网络（GPU版本）

% 搭建三层CNN网络
layers = [
    imageInputLayer([224 224 3]) % 输入层，假设图像大小224x224x3（RGB图像）
    
    convolution2dLayer(3,16,'Padding','same') % 卷积层，3x3卷积核，16个滤波器，same填充
    batchNormalizationLayer % 批归一化层
    reluLayer % ReLU激活函数层
    
    maxPooling2dLayer(2,'Stride',2) % 最大池化层，2x2池化窗口，步长2
    
    convolution2dLayer(3,32,'Padding','same')
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2,'Stride',2)
    
    convolution2dLayer(3,64,'Padding','same')
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2,'Stride',2)
    
    fullyConnectedLayer(2) % 全连接层，2个输出（对应猫和狗两个类别）
    softmaxLayer % Softmax层
    classificationLayer]; % 分类层

代码分析：从输入层开始，图像大小设置为224x224x3。然后依次添加卷积层、批归一化层和ReLU激活函数层，卷积层用于提取图像特征，批归一化加速网络收敛，ReLU增加非线性。接着是最大池化层，用于下采样减少数据量。最后通过全连接层输出类别分数，再经过Softmax和分类层得到最终分类结果。

（二）两层CNN网络（CPU版本）

% 搭建两层CNN网络
smallLayers = [
    imageInputLayer([224 224 3])
    
    convolution2dLayer(3,16,'Padding','same')
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2,'Stride',2)
    
    convolution2dLayer(3,32,'Padding','same')
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2,'Stride',2)
    
    fullyConnectedLayer(2)
    softmaxLayer
    classificationLayer];

代码分析：整体结构类似三层网络，只是减少了一层卷积层，这是为了在CPU上能够更高效运行。

四、构建优化器

（一）GPU版本优化器

% 构建优化器
options = trainingOptions('adam',...
    'MaxEpochs',10,...
    'InitialLearnRate',0.001,...
    'ValidationData',valDS,...
    'ValidationFrequency',3,...
    'Verbose',false,...
    'Plots','training-progress');

代码分析：这里使用Adam优化器，设置最大训练轮数为10，初始学习率0.001。将验证集valDS传入，并设置每3轮验证一次，关闭详细输出，同时开启训练进度绘图。

（二）CPU版本优化器

% 构建优化器
smallOptions = trainingOptions('adam',...
    'MaxEpochs',10,...
    'InitialLearnRate',0.001,...
    'Verbose',false,...
    'Plots','training-progress');

代码分析：同样是Adam优化器，只是因为没有验证集，所以没有相关设置，其他参数类似。

五、模型训练

（一）GPU版本训练

% 训练网络
net = trainNetwork(trainDS, layers, options);

代码分析：调用trainNetwork函数，传入训练集trainDS、网络层layers和优化器选项options，开始训练网络。

（二）CPU版本训练

% 训练小网络
smallNet = trainNetwork(smallTrainDS, smallLayers, smallOptions);

代码分析：和GPU版本类似，只是使用小训练集smallTrainDS、小网络层smallLayers和小优化器选项smallOptions进行训练。

六、模型测试与评估

（一）GPU版本测试

% 预测测试集
YPred = classify(net, testDS);
YTest = testDS.Labels;

% 计算准确率
accuracy = sum(YPred == YTest)/numel(YTest);
fprintf('GPU版本测试准确率: %.2f%%\n', accuracy*100);

% 绘制混淆矩阵
confMat = confusionmat(YTest, YPred);
figure;
confusionchart(confMat);
title('GPU版本混淆矩阵');

代码分析：先用训练好的网络net对测试集testDS进行预测得到预测标签YPred，再获取测试集真实标签YTest。通过比较两者计算准确率。最后用confusionmat函数生成混淆矩阵，并使用confusionchart绘制出来。

（二）CPU版本测试

% 预测小测试集
smallYPred = classify(smallNet, smallTestDS);
smallYTest = smallTestDS.Labels;

% 计算准确率
smallAccuracy = sum(smallYPred == smallYTest)/numel(smallYTest);
fprintf('CPU版本测试准确率: %.2f%%\n', smallAccuracy*100);

% 绘制混淆矩阵
smallConfMat = confusionmat(smallYTest, smallYPred);
figure;
confusionchart(smallConfMat);
title('CPU版本混淆矩阵');

代码分析：和GPU版本测试流程一样，只是针对小网络和小测试集进行操作。

七、总结

通过以上步骤，我们在Matlab中完成了基于CNN的图像分类任务，分别实现了GPU和CPU版本。大家可以根据自己的硬件条件选择合适的版本来运行，并且可以很方便地将其应用到自己的数据上。由于本次使用的数据量较少且网络简单，准确率可能不太理想，但这并不影响我们通过这个案例学习Matlab中CNN的使用流程。希望大家在实际应用中可以进一步优化网络和数据集，得到更好的效果。