使用神經網路能執行幾種典型的任務：聚類、擬合、分類（模式識別）以及時間序列預測。

其中分類任務可以說是最常應用的場景之一，在之前的文章裡也使用了分類任務作為案例對神經網路進行了入門講解。

時常遇到想要使用神經網路快速地實現分類的同學。

今天就講一講怎麼用MATLAB快速地完成吧。

1。準備資料

這裡使用MNIST資料集作為案例。

MNIST是一個很有名的手寫數字識別資料集。對於每張照片，都是以一個28*28的矩陣儲存的，資料“展平”之後是一個長度為784的一維資料。

MNIST資料集數字0~9示例

資料分為四組：

TRAIN_images：訓練集輸入資料，維度為60000*784。其中60000代表訓練集共有60000組資料（批次數bench）。

TRAIN_labels：訓練集的標籤資料，維度為60000*10，其中的10代表的數字0~9共有10種類型。比如數字0使用［1 0 0 0 0 0 0 0 0 0］代表，數字1使用［0 1 0 0 0 0 0 0 0 0］代表，以此類推。

TEST_images：測試集輸入資料，維度為10000*784

TEST_labels：訓練集的標籤資料，維度為10000*10

其中訓練集是用於訓練神經網路，測試集用於驗證神經網路分類的優劣度（正確率）。

需要注意的是，有的時候標籤值不是以矩陣的形式表示的，而是以0~9這樣的類別數字表示的。這時候需要對標籤型別進行轉換，博主寫了這樣一個函式：

function

label

=

class2label

（

class

）

% 將class轉為label

% 例如將［3，2，1，1］轉換為［0，0，1；0，1，0；1，0，0；1，0，0］

% 輸入：

% class 為類別資料，一維資料

% 輸出：

% label 為多維矩陣，一行為一個標籤，共n行，即n個標籤

% 示例：label = class2label（［3，2，1，1］）

同樣從矩陣形式轉變為數字類別形式也有，這兩個函式時常會用到：

function

class

=

label2class

（

label

）

% 將label轉為class

% 例如將［0，0，1；0，1，0；1，0，0；1，0，0］轉換為［3，2，1，1］

% 輸入：

% label 為多維矩陣，一行為一個標籤，共n行，即n個標籤（一定要注意輸入的label的維度正確）

% 輸出：

% class 為分類結果，行向量，一維資料

% 示例：class = label2class（［0，0，1；0，1，0；1，0，0；1，0，0］）

2。初始化神經網路

patternnet是MATLAB內建的用於對目標類別進行分類的神經網路。使用patternnet時的標籤值必須是矩陣形式的。該函式的使用方法比較簡單，如下圖所示：

% 2。初始化神經網路

hiddenSizes

=

120

；

%隱藏層數

net

=

patternnet

（

hiddenSizes

）；

%初始化模式識別神經網路

view

（

net

）

%檢視神經網路結構

此時神經網路的結構如下圖，可以看出隱藏層的啟用函式預設的是tansig，該啟用函式是可以更換的。

模式識別神經網路結構

3。訓練神經網路

MATLAB使用train函式訓練淺層神經網路。訓練神經網路的指令也可以說是很簡單了，不過需要注意的是訓練資料的行列方向。

訓練集輸入資料是R*Q的矩陣，R為特徵維度，Q為批次數，訓練集標籤資料是U*Q的矩陣，U為標籤種類數，Q為批次數。如果不是這樣的方向則需要對資料進行轉置。

如下述語句對資料就進行了轉置。

% 3。訓練神經網路

net

=

train

（

net

，

TRAIN_images

‘

，

TRAIN_labels

’

）；

%訓練網路

4。使用測試集進行分類

這步中使用了測試集進行了分類測試，並與真實的分類值進行對比，得到分類的正確率，程式碼如下：

% 4。使用測試集進行分類

testLen

=

10000

；

%測試集長度

val

=

sim

（

net

，

TEST_images

‘

）；

%計算測試集分類結果

classes

=

vec2ind

（

val

）；

%將分類結果轉換為class

r

=

sum

（

classes

==

label2class

（

TEST_labels

’

））

/

（

testLen

）；

%計算正確率

disp

（［

‘模式識別的正確率為’

，

num2str

（

r

）］）

%列印結果

分類的結果為：

96。69%算是差強人意的正確率，透過最佳化還可以將正確率進一步提升。例如在第二部分的程式碼後加入這樣兩行程式碼：

net

。

layers

{

1

}。

transferFcn

=

‘logsig’

；

%將啟用函式改為sigmod

net

。

trainFcn

=

‘traincgf’

；

%將訓練函式換為traincgf

關於啟用函式和訓練函式更多的說明可以看這裡：神經網路“分類”工具使用手冊

此時分類結果為：

正確率有所提升，同學們可以再最佳化隱藏層數、啟用函式、訓練函式以及net的更多屬性獲取更好的分類效果。

5。封裝

上述流程可以封裝為一個函式檔案，透過該函式檔案可以快速實現分類任務的神經網路訓練以及分類效能測試。

而你需要做的只是把資料準備好即可。

封裝好的函式的說明如下：

function

［net，r］

=

fastPatternnet

（

dTrain，dTrainLabel，dTest，dTestLabel，hiddenSizes，auto，set

）

% 快速模式識別（分類）神經網路，可以自主設定訓練集比例，並得到測試集分類正確率

% 輸入：

% dTrain：神經網路輸入的訓練集，R*Q的矩陣，R為特徵維度，Q為批次數，輸入該變數時一定要注意行列方向是否正確

% dTrainLabel：神經網路的標籤值，U*Q的矩陣，U為標籤種類數，Q為批次數，輸入該變數時一定要注意行列方向是否正確

% dTest：神經網路輸入的測試集，R*Q的矩陣，R為特徵維度，Q為批次數，輸入該變數時一定要注意行列方向是否正確

% dTestLabel：神經網路輸入的測試集，R*Q的矩陣，R為特徵維度，Q為批次數，輸入該變數時一定要注意行列方向是否正確

% hiddenSizes：神經網路隱藏層數

% auto：是否進行自動糾錯，‘on’為是，否則為否。開啟自動糾錯後會智慧調整訓練、測試集的行列方向。

% set：網路的額外設定，具體設定見：神經網路“分類”工具使用手冊 | 工具箱文件

% 輸出：

% net：訓練完成的神經網路

% r：使用測試集得到的模式識別正確率，1對應100%正確

關注我的公眾號“括號的城堡”，會有更多有趣的東西分享。

後續可能還會補充聚類、擬合和時間序列預測的MATLAB快速實現方法~

分類無處不在