深度学习Matlab工具箱代码注释之cnnff.m

%%=========================================================================  
%函数名称：cnnff（）  
%输入参数：net，神经网络；x，训练数据矩阵；  
%输出参数：net，训练完成的卷积神经网络  
%主要功能：使用当前的神经网络对输入的向量进行预测  
%算法流程：1）将样本打乱，随机选择进行训练；  
%         2）讲样本输入网络，层层映射得到预测值  
%注意事项：1）使用BP算法计算梯度  
%%=========================================================================  
function net = cnnff(net, x)  
n                  = numel(net.layers);      %层数  
net.layers{1}.a{1} = x;                      %网络的第一层就是输入，但这里的输入包含了多个训练图像  
inputmaps          = 1;                      %输入层只有一个特征map，也就是原始的输入图像  
for l = 2 : n                                %对于每层(第一层是输入层，循环时先忽略掉)  
 if strcmp(net.layers{l}.type, 'c')       %如果当前是卷积层  
 for j = 1 : net.layers{l}.outputmaps %对每一个输入map，需要用outputmaps个不同的卷积核去卷积图像  
            %%=========================================================================  
            %主要功能：创建outmap的中间变量，即特征矩阵  
            %实现步骤：用这个公式生成一个零矩阵，作为特征map  
            %注意事项：1）对于上一层的每一张特征map，卷积后的特征map的大小是：（输入map宽 - 卷积核的宽 + 1）* （输入map高 - 卷积核高 + 1）  
            %         2）由于每层都包含多张特征map，则对应的索引则保存在每层map的第三维，及变量Z中  
            %%=========================================================================  
            z = zeros(size(net.layers{l - 1}.a{1}) - [net.layers{l}.kernelsize - 1 net.layers{l}.kernelsize - 1 0]);  
 
 for i = 1 : inputmaps    %对于输入的每个特征map  
                %%=========================================================================  
                %主要功能：将上一层的每一个特征map（也就是这层的输入map）与该层的卷积核进行卷积  
                %实现步骤：1）进行卷积  
                %         2）加上对应位置的基b，然后再用sigmoid函数算出特征map中每个位置的激活值，作为该层输出特征map  
                %注意事项：1）当前层的一张特征map，是用一种卷积核去卷积上一层中所有的特征map，然后所有特征map对应位置的卷积值的和  
                %         2）有些论文或者实际应用中，并不是与全部的特征map链接的，有可能只与其中的某几个连接  
                %%=========================================================================  
                z = z + convn(net.layers{l - 1}.a{i}, net.layers{l}.k{i}{j}, 'valid');  
            end  
            net.layers{l}.a{j} = sigm(z + net.layers{l}.b{j});   %加基（加上加性偏置b）  
        end  
        inputmaps = net.layers{l}.outputmaps;                    %更新当前层的map数量；  
 
    elseif strcmp(net.layers{l}.type, 's')                       %如果当前层是下采样层  
 for j = 1 : inputmaps  
            %%=========================================================================  
            %主要功能：对特征map进行下采样  
            %实现步骤：1）进行卷积  
            %         2）最终pooling的结果需要从上面得到的卷积结果中以scale=2为步长，跳着把mean pooling的值读出来  
            %注意事项：1）例如我们要在scale=2的域上面执行mean pooling，那么可以卷积大小为2*2，每个元素都是1/4的卷积核  
            %         2）因为convn函数的默认卷积步长为1，而pooling操作的域是没有重叠的，所以对于上面的卷积结果  
            %         3）是利用卷积的方法实现下采样  
            %%=========================================================================  
            z = convn(net.layers{l - 1}.a{j}, ones(net.layers{l}.scale) / (net.layers{l}.scale ^ 2), 'valid');  
            net.layers{l}.a{j} = z(1 : net.layers{l}.scale : end, 1 : net.layers{l}.scale : end, :);   %跳读mean pooling的值  
        end  
    end  
end  
 
%%=========================================================================  
%主要功能：输出层，将最后一层得到的特征变成一条向量，作为最终提取得到的特征向量  
%实现步骤：1）获取倒数第二层中每个特征map的尺寸  
%         2）用reshape函数将map转换为向量的形式  
%         3）使用sigmoid(W*X + b)函数计算样本输出值，放到net成员o中  
%注意事项：1）在使用sigmoid（）函数是，是同时计算了batchsize个样本的输出值  
%%=========================================================================  
net.fv = [];                       %net.fv为神经网络倒数第二层的输出map  
for j = 1 : numel(net.layers{n}.a) %最后一层的特征map的个数  
    sa = size(net.layers{n}.a{j}); %第j个特征map的大小  
    net.fv = [net.fv; reshape(net.layers{n}.a{j}, sa(1) * sa(2), sa(3))];  
end  
net.o = sigm(net.ffW * net.fv + repmat(net.ffb, 1, size(net.fv, 2))); %通过全连接层的映射得到网络的最终预测结果输出  
end