原标题：基于深度神经网络的多分类函数

原文来自：CSDN      原文链接：https://blog.csdn.net/s0302017/article/details/102996872

运行软件：MATLAB

一、基于深度神经网络的多分类函数

1. 函数 MultiClass10 为基于深度神经网络的多分类函数。

2. 此处神经网络包括三层：输入层、一个隐藏层、输出层，其中输入层为待分类的数据，输出层为分类结果。

3. 函数 MultiClass10 的代码如下（MultiClass10.m） function [ W1, W2 ] = MultiClass10(W1, W2, X, D)

   %功能：利用深度神经网络对二维数据进行多分类（10 类）
   % 输入参数：W1 为输入层到隐藏层的权，W2 为隐藏层到输出层的权
   %	X 为待分类的数据，D 为真实分类数据
   % 输出参数：W1 为训练后的输入层到隐藏层的权，W2 为训练后的隐藏层到输出层的权 alpha = 0.9;
   [ W, H, N ] = size(X); for k = 1 : N x = reshape( X(:, :, k), W*H, 1 );	%x: W*H x 1 d = D(k, :)';
   %Forword Propatation
   v1 = W1 * x;
   y1 = Sigmoid(v1);
   v	= W2 * y1; y	= ReLU(v);
   %Back Propatation
   e = d - y;
   	delta = e;	%last layer error
   e1 = W2' * delta;
   	delta1 = y1 .* (1-y1) .* e1;	%first layer error，gradient descend
   %revise the weight cofficients
   dW1 = alpha * delta1 * x';
   W1 = W1 + dW1;
   dW2 = alpha * delta * y1';
   W2 = W2 + dW2;
   end

二、分类训练与测试

1. 以下代码为调用函数 MultiClass10 对二维数据数据进行多分类，类别数为 10。

2. 该程序包括两部分，第一部分为训练，得到神经网络模型。第二部分为测试，利用测试得到的神经网络进行实际分类。

3. 训练数据为 10 组 5x5 的二维数据(灰度图像)，数据内容为点阵格式的数字 0-9 测试数据亦为 10 组 5x5 的二维数据(灰度图像)，数据内容为点阵格式的数字 0-9 为方便使用本程序，二维数据均在程序内部给定，也可以读取外部的图像数据。

4. 代码如下：

   clear clc
   %X：train data
   %W，H，N 分别表示二维数据的宽、高和组数，可以根据实际情况调整该数据
   W = 5;
   H = 5;
   N = 10;
   X = zeros(W, H, N);
   X(:, :, 1) = [ 0 0 1 0 0; 0 1 0 1 0; 1 0 0 0 1; 0 1 0 1 0; 0 0 1 0 0 ];
   X(:, :, 2) = [ 0 1 1 0 0; 0 0 1 0 0; 0 0 1 0 0; 0 0 1 0 0; 0 1 1 1 0 ];
   X(:, :, 3) = [ 1 1 1 1 0; 0 0 0 0 1; 0 1 1 1 0; 1 0 0 0 0; 1 1 1 1 1 ];
   X(:, :, 4) = [ 1 1 1 1 0; 0 0 0 0 1; 0 1 1 1 0; 0 0 0 0 1; 1 1 1 1 0 ];
   X(:, :, 5) = [ 0 0 0 1 0; 0 0 1 1 0; 0 1 0 1 0; 1 1 1 1 1; 0 0 0 1 0 ];
   X(:, :, 6) = [ 1 1 1 1 1; 1 0 0 0 0; 1 1 1 1 0; 0 0 0 0 1; 1 1 1 1 0 ];
   X(:, :, 7) = [ 0 0 0 1 0; 0 0 1 0 0; 0 1 0 1 0; 1 0 0 1 0; 0 1 1 0 0 ];
   X(:, :, 8) = [ 1 1 1 1 1; 0 0 0 1 0; 0 0 1 0 0; 0 1 0 0 0; 1 0 0 0 0 ];
   X(:, :, 9) = [ 0 1 1 1 0; 0 1 0 1 0; 0 0 1 0 0; 0 1 0 1 0; 0 1 1 1 0 ];
   X(:, :, 10) = [ 0 1 1 1 0; 0 1 0 1 0; 0 0 1 1 0; 0 0 0 1 0; 0 1 1 1 0 ];
   %D: real classification result
   D = [ 1 0 0 0 0 0 0 0 0 0;
   0 1 0 0 0 0 0 0 0 0;
   0 0 1 0 0 0 0 0 0 0;
   0 0 0 1 0 0 0 0 0 0;
   0 0 0 0 1 0 0 0 0 0;
   0 0 0 0 0 1 0 0 0 0;
   0 0 0 0 0 0 1 0 0 0;
   0 0 0 0 0 0 0 1 0 0;
   0 0 0 0 0 0 0 0 1 0;
   0 0 0 0 0 0 0 0 0 1;
   ];
   W1 = 2 * rand(50, W*H) - 1;
   W2 = 2 * rand(10, 50) - 1;
   %%%%%%%%%%%%%%%%%%%%	train begin
   %%%%%%%%%%%%%%%%%%%%%%%%
   for k	= 1 : 1000
   [ W1, W2 ] = MultiClass10( W1, W2, X, D ); end
   %results of train
   for k = 1 : N
   x	= reshape( X(:, :, k), 25 ,1 );
   v1 = W1 * x;
   y1 = Sigmoid(v1);
   	v	= W2 * y1;
   y	= ReLU(v)
   end
   %%%%%%%%%%%%%%%%%%%%	train end
   %%%%%%%%%%%%%%%%%%%%%%%%
   %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
   %%%%%%%%%%%%
   %%%%%%%%%%%%%%%%%%%%	test begin
   %%%%%%%%%%%%%%%%%%%%%%%%
   Xte = zeros(W, H, N);;
   Xte(:, :, 1) = [ 0 0 1 0 0; 0 1 0 1 0; 0 0 0 0 1; 0 1 0 0 0; 0 0 1 0 0 ];
   Xte(:, :, 2) = [ 0 1 1 0 0; 0 1 1 0 0; 0 1 0 1 0; 0 0 0 1 0; 0 1 1 1 0 ];
   Xte(:, :, 3) = [ 1 1 1 1 0; 0 0 0 0 1; 0 1 1 1 0; 1 0 0 0 1; 1 1 1 1 1 ];
   Xte(:, :, 4) = [ 1 1 1 1 0; 0 0 0 0 1; 0 1 1 1 0; 1 0 0 0 1; 1 1 1 1 0 ];
   Xte(:, :, 5) = [ 0 1 1 1 0; 0 1 0 0 0; 0 1 1 1 0; 0 0 0 1 0; 0 1 1 1 0 ];
   Xte(:, :, 6) = [ 0 1 1 1 1; 1 0 0 0 0; 0 1 1 1 0; 0 0 0 1 0; 1 1 1 1 0 ];
   Xte(:, :, 7) = [ 0 0 0 1 0; 0 0 1 0 0; 0 1 0 1 0; 1 0 0 1 0; 0 1 0 0 0 ];
   Xte(:, :, 8) = [ 1 1 1 1 1; 0 0 0 1 0; 0 0 1 0 0; 0 1 0 0 0; 0 0 0 0 0 ];
   Xte(:, :, 9) = [ 0 1 0 1 0; 0 1 0 1 0; 0 0 1 0 0; 0 1 0 1 0; 0 1 0 1 0 ];
   Xte(:, :, 10) = [ 0 1 0 1 0; 0 1 0 1 0; 0 0 1 1 0; 0 0 0 1 0; 0 1 0 1 0 ];
   %output results of test real_y = [];
   for k = 1 : N
   x = reshape( Xte(:, :, k), 25 ,1 );
   v1 = W1 * x;
   y1 = Sigmoid(v1);
   	v	= W2 * y1;
   y = ReLU(v);
   disp( [ 'real_y(',num2str(k), ') = '] ) disp( y ) %display classification results end %show test data figure(1); imshow(1-X(:, :, 1)); figure(2); imshow(1-X(:, :, 2)) figure(3); imshow(1-X(:, :, 3)) figure(4); imshow(1-X(:, :, 4)) figure(5); imshow(1-X(:, :, 5)) figure(6); imshow(1-X(:, :, 6)) figure(7); imshow(1-X(:, :, 7)) figure(8); imshow(1-X(:, :, 8)) figure(9); imshow(1-X(:, :, 9))
   figure(10); imshow(1-X(:, :, 10))
   %%%%%%%%%%%%%%%%%%%%	test end
   %%%%%%%%%%%%%%%%%%%%%%%%

   
   

5.测试结果略

作者：YangYF 

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。

合作及投稿邮箱：E-mail:editor@tusaishared.com