当前位置：首页 > news >正文

MATLAB + 深度学习 = 炸裂！10 分钟训练你的第一个图像识别模型

news 2026/7/6 13:08:56

1. 📁 数据准备（使用 MATLAB 内置示例集）

MATLAB 提供了一个非常适合入门的图像分类数据集：手写数字 (digitDataset)。

digitDatasetPath = fullfile(matlabroot,'toolbox','nnet','nndemos','nndatasets','DigitDataset'); imds = imageDatastore(digitDatasetPath, ... 'IncludeSubfolders',true, ... 'LabelSource','foldernames'); countEachLabel(imds)

结果说明

这是一个0–9 十类的图片数据集
每张图片为28×28 的灰度图
全部图片已按分类存放，不需要你自己整理

2. 📊 训练集 & 测试集划分

[imdsTrain, imdsTest] = splitEachLabel(imds, 0.7, 'randomized');

这行代码说明：

70% 用于训练
30% 用于测试
自动随机打乱

3. 🧠 搭建一个简单的 CNN（卷积神经网络）

MATLAB 提供了高层封装，不用写算子、不用写卷积代码。

layers = [ imageInputLayer([28 28 1]) convolution2dLayer(3,8,'Padding','same') batchNormalizationLayer reluLayer maxPooling2dLayer(2,'Stride',2) convolution2dLayer(3,16,'Padding','same') batchNormalizationLayer reluLayer fullyConnectedLayer(10) softmaxLayer classificationLayer ];

网络说明：

2 个卷积模块（Conv + BN + ReLU）
1 个最大池化层
最终用fullyConnectedLayer(10)输出 10 类

适合入门，速度快、准确率高。

4. ⚙️ 设置训练参数（关键就两行）

options = trainingOptions('sgdm', ... 'InitialLearnRate',0.01, ... 'MaxEpochs',4, ... 'MiniBatchSize',64, ... 'Plots','training-progress', ... 'Verbose',false);

解释一下：

SGDM：常用优化算法
MaxEpochs=4：只训练 4 轮，速度极快
Plots='training-progress'：自动生成训练曲线

5. 🚀 开始训练你的第一个深度学习模型

net = trainNetwork(imdsTrain, layers, options);

只要写这一行，MATLAB 会自动完成：

前向传播
反向传播
梯度更新
可视化曲线
GPU 自动加速（如果你有 GPU）

真正做到10 分钟跑出结果。

6. 📈 模型效果评估

YPred = classify(net, imdsTest); YTest = imdsTest.Labels; accuracy = sum(YPred == YTest) / numel(YTest); disp("测试集准确率：" + accuracy);

一般来说，这个小网络在该数据集上能达到：
👉97% 左右准确率

7. 🔍 单张图像预测（最有成就感的一步）

你会看到：
图像显示 + 自动识别结果
真正做到了 “像调用一个函数一样实现 AI”。

8. 📦 完整代码

digitDatasetPath = fullfile(matlabroot,'toolbox','nnet','nndemos','nndatasets','DigitDataset'); imds = imageDatastore(digitDatasetPath,'IncludeSubfolders',true,'LabelSource','foldernames'); [imdsTrain, imdsTest] = splitEachLabel(imds,0.7,'randomized'); layers = [ imageInputLayer([28 28 1]) convolution2dLayer(3,8,'Padding','same') batchNormalizationLayer reluLayer maxPooling2dLayer(2,'Stride',2) convolution2dLayer(3,16,'Padding','same') batchNormalizationLayer reluLayer fullyConnectedLayer(10) softmaxLayer classificationLayer ]; options = trainingOptions('sgdm', ... 'InitialLearnRate',0.01, ... 'MaxEpochs',4, ... 'MiniBatchSize',64, ... 'Plots','training-progress', ... 'Verbose',false); net = trainNetwork(imdsTrain, layers, options); YPred = classify(net, imdsTest); YTest = imdsTest.Labels; accuracy = sum(YPred == YTest)/numel(YTest); disp("测试集准确率：" + accuracy); img = readimage(imdsTest, 1); imshow(img) label = classify(net,img); title("预测结果：" + string(label))