网上已具有大量卷积神经网络的讲解，故本文不在对此赘述，这篇文章针对已了解CNN基础结构和原理者，以一个例子搭建一个简单的卷积神经网络，作为正式迈入深度学习的第一步。
我们以深度学习最经典的案例——手写数字的识别，和一种经典的CNN——LeNet进行本次学习。
Matlab的功能十分强大，其自带的深度学习工具箱可以使我们免于编写底层算法，迅速地搭建出一个卷积神经网络，同时，其自带手写数字图片以供学习，地址如下，笔者使用的是Matlab2022a。
我们将DigitDataset拷贝到当前编写代码的文件夹下，并删除其中包含两个Excel即可得到下列图片。
第一步，加载手写数字样本图片，代码如下：
clear
clc
% 第一步：加载手写数字样本
imds = imageDatastore( ...
'DigitDataset', ...
'IncludeSubfolders',true, ...
'LabelSource','foldernames');'IncludeSubfolders',true：包含每个文件夹中的所有文件和子文件夹；
'LabelSource','foldernames'：根据文件夹名称分配标签并储存在Labels属性中。
第二步，将样本划分为训练集和测试集，并统计分类数量，代码如下：
% 第二步：
% 将样本划分为训练集与测试集
[imdsTrain,imdsValidation] = splitEachLabel(imds,0.7);
% 统计训练集中分类标签的数量
numClasses = numel(categories(imdsTrain.Labels));
imdsTrain为训练样本数据，imdsValidation为验证样本数据，0.7为训练样本的比例。
第三步，构建LeNet并进行可视化分析，代码如下：
% 第三步：构建LeNET卷积网络并进行分析
% 构建LeNET卷积网络
LeNET= [
imageInputLayer([60 20 1],'Name','input','Normalization','zscore')
convolution2dLayer([5 5],6,'Padding','same','Name','Conv1')
maxPooling2dLayer(2,'Stride',2,'Name','Pool1')
convolution2dLayer([5 5],16,'Padding','same','Name','Conv2')
maxPooling2dLayer(2,'Stride',2,'Name','Pool2')
convolution2dLayer([5 5],120,'Padding','same','Name','Conv3')
fullyConnectedLayer(84,'Name','fc1')
fullyConnectedLayer(numClasses,'Name','fc2')
softmaxLayer( 'Name','softmax')
classificationLayer('Name','output')
];
% 对构建的网络进行可视化分析
lgraph = layerGraph(LeNET);
analyzeNetwork(lgraph)由于手写数字图片大小为60*20*1，故需调整输入层大小；
LeNet结构如下：
第一个卷积层：卷积核大小为5，数量为6，卷积方式为0填充；
第一个池化层：二维最大池化，区域为2，步长为2；
第二个卷积层：卷积核大小为5，数量为16，卷积方式为0填充；
第二个池化层：二维最大池化，区域为2，步长为2；
第三个卷积层：卷积核大小为5，数量为12，卷积方式为0填充；
第一个全连接层：输出大小为84；
第二个全连接层：输出大小为numClasses;
softmax层：得出全连接层每一个输出的概率；
classfication层：根据概率确定类别。
analyzeNetwork可以使我们对网络进行可视化分析，该代码运行结果如下图：
第四步，调整训练集和输入集的图像大小使其与LeNet输入层相同，代码如下：
% 第四步：将训练集与验证集中图像的大小调整成与LeNet输入层的大小相同
inputSize = [60 20 1];
augimdsTrain = augmentedImageDatastore(inputSize(1:2),imdsTrain);
augimdsValidation = augmentedImageDatastore(inputSize(1:2),imdsValidation);该步骤在此例中可以省略。
第五步：配置训练选项并对网络进行训练，代码如下：
% 第五步：配置训练选项并对网络进行训练
% 配置训练选项
options = trainingOptions('sgdm', ...
'InitialLearnRate',0.001, ...
'MaxEpochs',3, ...
'Shuffle','every-epoch', ...
'ValidationData',augimdsValidation, ...
'ValidationFrequency',30, ...
'Verbose',true, ...
'Plots','training-progress');
% 对网络进行训练
net = trainNetwork(augimdsTrain,LeNET,options); 训练选项如下：
训练方法为sgdm;
初始学习率为0.001；
最大轮数为3；
'Shuffle','every-epoch': 在每一轮训练前打乱数据；
训练期间所用数据为augimdsValidation;
验证频率为30次/轮；
设置打开命令窗口输出；
设置打开训练进度图。
我们可以看到训练进度如下图：
第六步：将训练好的网络用于对新的输入图像进行分类，并计算准确率
% 第六步：将训练好的网络用于对新的输入图像进行分类，并计算准确率
YPred = classify(net,augimdsValidation);
YValidation = imdsValidation.Labels;
accuracy = sum(YPred == YValidation)/numel(YValidation)
figure
confusionchart(YValidation,YPred)confusionchart可以产生混淆矩阵，以便我们更直观的看出LeNet验证的结果。
可以看到预测结果准确度比较低，对此我们可以对LeNet进行改进，增加卷积，池化层或者使用更高级的AlexNet等神经网络进行训练，本例全部代码如下：
clear
clc
% 第一步：加载手写数字样本
imds = imageDatastore( ...
'DigitDataset', ...
'IncludeSubfolders',true, ...
'LabelSource','foldernames');
% 第二步：
% 将样本划分为训练集与测试集
[imdsTrain,imdsValidation] = splitEachLabel(imds,0.7);
% 统计训练集中分类标签的数量
numClasses = numel(categories(imdsTrain.Labels));
% 第三步：构建LeNET卷积网络并进行分析
% 构建LeNET卷积网络
LeNET= [
imageInputLayer([60 20 1],'Name','input','Normalization','zscore')
convolution2dLayer([5 5],6,'Padding','same','Name','Conv1')
maxPooling2dLayer(2,'Stride',2,'Name','Pool1')
convolution2dLayer([5 5],16,'Padding','same','Name','Conv2')
maxPooling2dLayer(2,'Stride',2,'Name','Pool2')
convolution2dLayer([5 5],120,'Padding','same','Name','Conv3')
fullyConnectedLayer(84,'Name','fc1')
fullyConnectedLayer(numClasses,'Name','fc2')
softmaxLayer('Name','softmax')
classificationLayer('Name','output')
];
% 对构建的网络进行可视化分析
lgraph = layerGraph(LeNET);
analyzeNetwork(lgraph)
% 第四步：将训练集与验证集中图像的大小调整成与LeNet输入层的大小相同
inputSize = [60 20 1];
augimdsTrain = augmentedImageDatastore(inputSize(1:2),imdsTrain);
augimdsValidation = augmentedImageDatastore(inputSize(1:2),imdsValidation);
% 第五步：配置训练选项并对网络进行训练
% 配置训练选项
options = trainingOptions( ...
'sgdm', ...
'InitialLearnRate',0.001, ...
'MaxEpochs',3, ...
'Shuffle','every-epoch', ...
'ValidationData',augimdsValidation, ...
'ValidationFrequency',30, ...
'Verbose',true, ...
'Plots','training-progress');
% 对网络进行训练
net = trainNetwork(augimdsTrain,LeNET,options);
% 第六步：将训练好的网络用于对新的输入图像进行分类，并计算准确率
YPred = classify(net,augimdsValidation);
YValidation = imdsValidation.Labels;
accuracy = sum(YPred == YValidation)/numel(YValidation)
figure
confusionchart(YValidation,YPred)