matlab進行深度學習MatCovNe

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

 

深度學習12：能力提高， 一步一步的介紹如何本身構建網絡和訓練，利用MatConvNet - CSDN博客
https://blog.csdn.net/qq_20259459/article/details/65633407

 

深度學習在object tracking中的使用也愈來愈多，從去年的VOT結果來看，不少tracker都應用了convolution feature，總體效果都比以前的方法提升了一大截，因此學習deep learning須要提上日程了。看了HCF以及C-COT的源碼，都運用到了matlab的深度學習工具---MatConvNet，因此關於它的使用瞭解了一番。

一、首先是下載，能夠到http://www.vlfeat.org/matconvnet/去下載，不過C-COT的做者Martin大神的源碼的說明文檔readme中也提供了github的下載連接

 

二、經過執行  mex -setup 來設置matlab的C++編譯器（VS2010 or  greater）

 

三、將MatConvNet的path加到matlab路徑中去

 

1.  
   cd matconvnet-master
2.  
   addpath matlab

 

 

四、須要Compile MatConvNet。

 

 

vl_compilenn

 

 

固然，最好是寫一個文件，執行3.4步。

 

好比，CompileCPU.m

 

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

 

 

若是想應用GPU計算，須要寫成CompileGPU.m

 

 

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

 

 

這裏須要注意，目前MatConvNet只支持英偉達的顯卡，我看了一下個人臺式機的顯卡是intel的集成顯卡，不能用，汗。因此，這裏仍是先介紹在CPU下進行處理的方式。

 

 

五、加載預訓練的模型。

須要從官網下載一個network（也就是 a pre-trained CNN）

連接戳 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');

 

這裏的net是一個預訓練模型，是一個線性鏈組成的網絡。它是一個結構體的形式：

 

其中，layers有21層（不一樣的預訓練模型的卷積層數目不一樣）

      meta包含3個結構體

classes是已經訓練好的模型對事物的1000種分類。

 

 

---------------------------我是分割線-----------------------------

來看一個例子，利用VGG已經訓練好的模型對這張圖片分類。

代碼以下：

1.  
   %將pepper.png這張圖按照模型，根據得分肯定最應該屬於的類別
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));%縮放到224*224大小
7.  
   im_ = im_ - net.meta.normalization.averageImage;%減去均值
8.  
   res = vl_simplenn(net,im_);%res包含了計算結果，以及中間層的輸出 最後一層能夠用來分類
9.  
   y = res( end).x;%最後一層
10.  
    x = gather(res( end).x);
11.  
    score = squeeze(gather(res( end).x));%分屬於每一個類別的分數
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裏存放的是不少種類別的名稱
17.  
     

 

 

 

這樣，咱們就能夠獲得下面的結果：

 

這說明，這張圖片屬於1000中類別中的pepper，並且屬於這個類別的機率爲0.979。

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