MatConvNet使用指南

### MatConvNet使用指南 #### 一、简介 MatConvNet是一款由牛津大学视觉组开发的用于深度学习研究的工具。它主要基于MATLAB环境，支持高效的卷积神经网络(CNN)训练与推理。相较于其他框架如Caffe，MatConvNet在Windows环境下拥有更加简便的编译流程，无需配置过多的第三方库。 官方网站：[http://www.vlfeat.org/matconvnet/](http://www.vlfeat.org/matconvnet/)。 #### 二、安装与配置 MatConvNet的版本更新较快，在1.16版之后出现了较大的改动，导致模型文件不再兼容旧版本。本指南以最新版1.20为例进行介绍。 **MATLAB版本要求**：建议使用MATLAB R2015a或以上版本。 **C++编译器**：推荐使用Visual Studio 2013。 1. **下载与安装**： 访问官网下载MatConvNet 1.20版本，下载地址为：[点击下载](http://www.vlfeat.org/matconvnet/download/)。 下载完成后解压，文件结构大致如下： ``` - MatConvNet-1.20 - matlab - vl_setupnn.m - models - imagenet-vgg-f.mat - compile.m - compileGPU.m - demo.m ``` 2. **编译CPU版本**： 在MATLAB环境中运行`compile.m`文件： ```matlab addpath(matlab) vl_compile('nn') ``` 编译过程快速完成。 3. **编译GPU版本**： 在MATLAB环境中运行`compileGPU.m`文件，注意修改CUDA路径至本地安装位置： ```matlab addpath(matlab) vl_compile('nn', 'enableGpu', true, ... 'cudaRoot', 'C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.0', ... 'cudaMethod', 'nvcc') ``` 编译完成后可能会出现警告，但不影响正常使用。 #### 三、基本使用示例 1. **加载模型与图像**： 运行`demo.m`文件，其中包含了加载模型和图像的基本操作： ```matlab run(fullfile(matlab, 'vl_setupnn')) net = load(fullfile('..', 'models', 'imagenet-vgg-f.mat')); im = imread('peppers.png'); im_ = single(im); im_ = imresize(im_, net.meta.normalization.imageSize(1:2)); im_ = im_ - net.meta.normalization.averageImage; res = vl_simplenn(net, im_); y = res(end).x; x = gather(y); scores = squeeze(x); [bestScore, best] = max(scores); figure(1); clf; imshow(im); title(sprintf('%s%d,%.3f', net.meta.classes.description{best}, best, bestScore)); ``` 这段代码能够成功地将输入图像分类到正确的类别中。 2. **进一步探索**： `examples`文件夹中包含了更多的示例代码，如MNIST、CIFAR和ImageNet等数据集的处理方法。需要注意的是，ImageNet数据集规模庞大，达到数百GB，对于初学者来说可能不太适用。 #### 四、训练自定义数据集 1. **准备数据**： 以车牌识别中的车牌字符识别为例，可以从GitHub项目EasyPR中下载相应数据集： - 下载链接：[https://github.com/liuruoze/EasyPR/blob/master/resources/train/ann.7z](https://github.com/liuruoze/EasyPR/blob/master/resources/train/ann.7z) - 解压后得到包含数字和字母的文件夹。 2. **构建数据集**： 创建一个MATLAB脚本`cnn_plate_setup_data.m`来读取图片并减去均值： ```matlab function imdb = cnn_plate_setup_data(datadir) inputSize = [20, 20, 1]; subdir = dir(datadir); imdb.images.data = []; imdb.images.labels = []; imdb.images.set = []; imdb.meta.sets = {'train', 'val', 'test'}; image_counter = 0; trainratio = 0.8; for i = 3:length(subdir) imgfiles = dir(fullfile(datadir, subdir(i).name)); imgpercategory_count = length(imgfiles) - 2; disp([i-2 imgpercategory_count]); image_counter = image_counter + imgpercategory_count; end ``` 此处仅为示例代码的一部分，还需完成整个数据预处理流程，包括划分训练集、验证集和测试集等步骤。 通过以上步骤，用户可以较为轻松地搭建起基于MatConvNet的深度学习环境，并进行基本的模型训练和预测任务。随着对框架的深入了解，用户可以进一步探索更高级的功能和技术。