我测试了一下，matlab2022a 可以运行。matlab2018之后的应该都可以。因为CNN是比较简单，比较经典的网络。matlab很早就支持了
一起来学习一个Matlab环境下运用卷积神经神经网络(CNN)实现图像分类的小栗子，力争用最通俗的语言进行解释，闲话不多说，咱直接上干货。
环境要求：Matlab2018a及以上版本(18a版本开始提供Deep Learning Toolbox的工具箱，正式拉开了Matlab进军深度学习领域的序幕)；
数据集：大多图像分类的Benchmark数据集都会使用到MNIST，但是由于使用的实在太多了，以及分类的难度确实不大，所以我们今天分享一个相似的但是难度稍大的数据集，名字叫notMNIST，附上数据集的链接：
http://yaroslavvb.blogspot.com
代码部分：
为了尽可能的把demo写的浅显易懂，也为了其他小伙伴可以直接套用此模型来跑自己的数据，我们尽可能地不使用复杂晦涩的函数，努力做到步子小一点，注释多一点。
demo中使用的数据集（下载后和程序放在一个文件夹下，不用改路径，直接运行程序即可）：
链接：https://pan.baidu.com/s/1JnS6yfnoxTNg1d0_atpGHg
提取码：hw89
% 数据集来源：
% http://yaroslavvb.blogspot.com/2011/09/notmnist-dataset.html
% matlab deep learning toolbox 官方使用说明：
% https://www.mathworks.com/help/deeplearning/ref/trainnetwork.html#d120e82918
% 知乎：夏明朗 2020-05-29
clc
clear
close all
% 读取数据
load('notMNIST_small.mat')
% 选取部分数据可视化
for i=1:1:32
subplot(4,8,i);
imshow(images(:,:,555*i)/255)
end
%
X = reshape(images, [28,28,1,length(images)]); % 灰度图片的作为输入的要求为h*w**c*s,
% 其中h为图片的长度，w为宽度，c为通道数，s就是数据的个数
size(X) % 可以看到我们的数据集尺寸为：28*28*1*18724
Y = categorical(labels); % 标签的数据类型为categorical
idx = randperm(length(images)); % 产生一个和数据个数一致的随机数序列
num_train = round(0.5*length(X)); % 训练集个数，0.5表示全部数据中随机选取50%作为训练集
num_val = round(0.3*length(X)); % 验证集个数，0.3表示全部数据中随机选取30%作为验证集，故测试集自动变为剩下的20%
% 训练集，验证集和测试集数据
X_train = X(:,:,:,idx(1:num_train));
X_val = X(:,:,:,idx(num_train+1:num_train+num_val));
X_test = X(:,:,:,idx(num_train+num_val+1:end)); %这里假设，全部数据中除了
% 训练集，验证集和测试集标签
Y_train = Y(idx(1:num_train),:);
Y_val = Y(idx(num_train+1:num_train+num_val),:);
Y_test = Y(idx(num_train+num_val+1:end),:);
以上代码主要实现了数据的导入以及数据集的随机划分，未使用一步到位的函数，这样大家就可以在工作区清楚的看到每一步是怎样实现的。这里解释randperm( )函数，其可随机产生一个和样本个数相同数目的序列，例如共有10个样本，那么randperm(10)的结果可能为
8 3 10 5 2 4 1 7 9 6
因此我们使用这个随机序列就可以实现数据集的随机划分，本程序设置训练集数据占50%，验证集数据占30%，测试集数据就占剩余的20%。数据集准备完成后，我们就开始搭建CNN网络
%% 定义网络层
layers = [...
imageInputLayer([28,28,1]); % 输入层，要正确输入图片的height, width 和 number of channels of the images
batchNormalizationLayer(); % 批量归一化
convolution2dLayer(5,20); % 卷积层
batchNormalizationLayer();
reluLayer() % Relu激活函数
maxPooling2dLayer(2,'Stride',2); % 池化层
fullyConnectedLayer(10); % 全连接层
softmaxLayer(); % softmax层
classificationLayer(),...
];
这里定义的CNN网络又1个卷积层、1个池化层和1个全连接层组成，其中还使用了批量归一化操作，当然也可以加入dropout来防止过拟合。至于网络结构的设计就属于“炼丹”的范畴了，没有一个统一的标准，因人而异，需要大家自己慢慢体会了。
下面我们简单介绍没有验证集和有验证集的区别：
没有验证集情况
% 参数
options = trainingOptions('sgdm',... % 也可以用adam、rmsprop等方法
'MaxEpochs',50,... % 最大迭代次数
'Plots','training-progress');
net_cnn = trainNetwork(X_train,Y_train,layers,options);
没有验证集曲线，我的电脑就一个GPU。训练非常快。Matlab2022非常强大，自动调用GPU，不需要配置。
没有验证集合训练过程会迭代到最大迭代步数，并且左侧图像中没有验证集的曲线。这里有一个问题，如果我们遇到复杂的问题，模型中又缺少防止过拟合的操作（批量归一化，dropout，正则化或大数据集都可以防止过拟合），那么最终结果极有可能会出现过拟合，这当然是我们不想出现的情况。因此，如何判断模型训练是否“恰到好处”，我们应该引入验证集帮助我们进行判断。
有验证集的情况
% 参数
options = trainingOptions('sgdm',... % 也可以用adam、rmsprop等方法
'MiniBatchSize',128, ...
'MaxEpochs',50,... % 最大迭代次数
'ValidationData',{X_val,Y_val},... % 显示验证集误差
'Verbose',true, ... % 命令窗口显示训练过程的各种指标
'Shuffle','every-epoch', ...
'InitialLearnRate',1e-2,...
'Plots','training-progress');
net_cnn = trainNetwork(X_train,Y_train,layers,options);
options 中我们加入了更多的人为设置的参数，这样稍微高级的定义会使得模型训练的更符合你的要求。加入验证集后，我们可以看到训练过程“早停”了，Epoch只迭代了8次模型就训练过程就结束了，原因如绿框内容所示，Patience为5表示：如果5步迭代中验证集的loss都没有减小的话，训练就终止了。在绝大数情况下，这种早停的机制会防止模型过度训练从而出现过拟合的现象。
最终我们使用测试集验证模型的泛化能力即可，相应代码与结果如下
% 测试
testLabel = classify(net_cnn,X_test);
precision = sum(testLabel==Y_test)/numel(testLabel);
disp(['测试集分类准确率为',num2str(precision*100),'%'])
在单 GPU 上训练。
正在初始化输入数据归一化。
｜＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝｜
｜ 轮 ｜ 迭代 ｜ 经过的时间 ｜ 小批量准确度 ｜ 验证准确度 ｜ 小批量损失 ｜ 验证损失 ｜ 基础学习率 ｜
｜ ｜ ｜ （ｈｈ：ｍｍ：ｓｓ） ｜ ｜ ｜ ｜ ｜ ｜
｜＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝｜
｜ １ ｜ １ ｜ ００：００：０１ ｜ ５．４７％ ｜ １５．１９％ ｜ ２．９３３１ ｜ ２．４１２１ ｜ ０．０１００ ｜
｜ １ ｜ ５０ ｜ ００：００：０２ ｜ ８７．５０％ ｜ ８７．８０％ ｜ ０．４８１３ ｜ ０．４６６７ ｜ ０．０１００ ｜
｜ ２ ｜ １００ ｜ ００：００：０２ ｜ ８６．７２％ ｜ ８９．１８％ ｜ ０．４２８９ ｜ ０．３９９６ ｜ ０．０１００ ｜
｜ ３ ｜ １５０ ｜ ００：００：０３ ｜ ９１．４１％ ｜ ９０．２４％ ｜ ０．２８６２ ｜ ０．３５９６ ｜ ０．０１００ ｜
｜ ３ ｜ ２００ ｜ ００：００：０３ ｜ ９６．０９％ ｜ ９０．６４％ ｜ ０．１９２８ ｜ ０．３４６２ ｜ ０．０１００ ｜
｜ ４ ｜ ２５０ ｜ ００：００：０３ ｜ ９２．１９％ ｜ ９０．８８％ ｜ ０．３２２１ ｜ ０．３３４３ ｜ ０．０１００ ｜
｜ ５ ｜ ３００ ｜ ００：００：０４ ｜ ９６．０９％ ｜ ９１．２２％ ｜ ０．１５２８ ｜ ０．３２４９ ｜ ０．０１００ ｜
｜ ５ ｜ ３５０ ｜ ００：００：０４ ｜ ９５．３１％ ｜ ９１．４２％ ｜ ０．１７６２ ｜ ０．３２３１ ｜ ０．０１００ ｜
｜ ６ ｜ ４００ ｜ ００：００：０４ ｜ ９４．５３％ ｜ ９１．４２％ ｜ ０．１８８７ ｜ ０．３１３８ ｜ ０．０１００ ｜
｜ ７ ｜ ４５０ ｜ ００：００：０５ ｜ ９５．３１％ ｜ ９１．５６％ ｜ ０．１３１１ ｜ ０．３２２６ ｜ ０．０１００ ｜
｜ ７ ｜ ５００ ｜ ００：００：０５ ｜ ９４．５３％ ｜ ９１．６０％ ｜ ０．２０１０ ｜ ０．３１６２ ｜ ０．０１００ ｜
｜ ８ ｜ ５５０ ｜ ００：００：０６ ｜ ９７．６６％ ｜ ９１．５１％ ｜ ０．１０３２ ｜ ０．３１４９ ｜ ０．０１００ ｜
｜ ９ ｜ ６００ ｜ ００：００：０６ ｜ ９６．８８％ ｜ ９１．６３％ ｜ ０．１０５２ ｜ ０．３１５５ ｜ ０．０１００ ｜
｜ ９ ｜ ６５０ ｜ ００：００：０７ ｜ ９５．３１％ ｜ ９１．４７％ ｜ ０．１８１０ ｜ ０．３２４１ ｜ ０．０１００ ｜
｜ １０ ｜ ７００ ｜ ００：００：０７ ｜ ９５．３１％ ｜ ９１．８６％ ｜ ０．１７１４ ｜ ０．３１４５ ｜ ０．０１００ ｜
｜ １１ ｜ ７５０ ｜ ００：００：０７ ｜ ９９．２２％ ｜ ９２．０１％ ｜ ０．０４４９ ｜ ０．３１１７ ｜ ０．０１００ ｜
｜ １１ ｜ ８００ ｜ ００：００：０８ ｜ ９２．１９％ ｜ ９１．８５％ ｜ ０．１８９５ ｜ ０．３２４１ ｜ ０．０１００ ｜
｜ １２ ｜ ８５０ ｜ ００：００：０８ ｜ ９８．４４％ ｜ ９２．１８％ ｜ ０．０８８２ ｜ ０．３１３２ ｜ ０．０１００ ｜
｜ １３ ｜ ９００ ｜ ００：００：０８ ｜ ９８．４４％ ｜ ９１．４２％ ｜ ０．０６２５ ｜ ０．３３２０ ｜ ０．０１００ ｜
｜ １４ ｜ ９５０ ｜ ００：００：０９ ｜ ９８．４４％ ｜ ９１．８６％ ｜ ０．０６５７ ｜ ０．３２１９ ｜ ０．０１００ ｜
｜ １４ ｜ １０００ ｜ ００：００：０９ ｜ ９５．３１％ ｜ ９１．９５％ ｜ ０．１３５６ ｜ ０．３３５７ ｜ ０．０１００ ｜
｜ １５ ｜ １０５０ ｜ ００：００：１０ ｜ ９８．４４％ ｜ ９２．１５％ ｜ ０．１０６５ ｜ ０．３２８７ ｜ ０．０１００ ｜
｜ １６ ｜ １１００ ｜ ００：００：１０ ｜ ９９．２２％ ｜ ９１．８３％ ｜ ０．０３６２ ｜ ０．３３６４ ｜ ０．０１００ ｜
｜ １６ ｜ １１５０ ｜ ００：００：１０ ｜ ９７．６６％ ｜ ９２．０２％ ｜ ０．０５９５ ｜ ０．３３２９ ｜ ０．０１００ ｜
｜ １７ ｜ １２００ ｜ ００：００：１１ ｜ １００．００％ ｜ ９１．６７％ ｜ ０．０２７８ ｜ ０．３４１６ ｜ ０．０１００ ｜
｜ １８ ｜ １２５０ ｜ ００：００：１１ ｜ ９９．２２％ ｜ ９１．８５％ ｜ ０．０４４７ ｜ ０．３３９９ ｜ ０．０１００ ｜
｜ １８ ｜ １３００ ｜ ００：００：１２ ｜ ９７．６６％ ｜ ９１．５１％ ｜ ０．０７１５ ｜ ０．３６０３ ｜ ０．０１００ ｜
｜ １９ ｜ １３５０ ｜ ００：００：１２ ｜ ９７．６６％ ｜ ９２．０１％ ｜ ０．０７４８ ｜ ０．３４９２ ｜ ０．０１００ ｜
｜ ２０ ｜ １４００ ｜ ００：００：１２ ｜ １００．００％ ｜ ９２．０１％ ｜ ０．０４２３ ｜ ０．３４８０ ｜ ０．０１００ ｜
｜ ２０ ｜ １４５０ ｜ ００：００：１３ ｜ ９８．４４％ ｜ ９１．９５％ ｜ ０．０６１４ ｜ ０．３５９７ ｜ ０．０１００ ｜
｜ ２１ ｜ １５００ ｜ ００：００：１３ ｜ ９８．４４％ ｜ ９２．０１％ ｜ ０．０２７８ ｜ ０．３６１０ ｜ ０．０１００ ｜
｜ ２２ ｜ １５５０ ｜ ００：００：１３ ｜ １００．００％ ｜ ９１．８１％ ｜ ０．０２３６ ｜ ０．３７０７ ｜ ０．０１００ ｜
｜ ２２ ｜ １６００ ｜ ００：００：１４ ｜ １００．００％ ｜ ９２．０２％ ｜ ０．０３０７ ｜ ０．３６６１ ｜ ０．０１００ ｜
｜ ２３ ｜ １６５０ ｜ ００：００：１４ ｜ １００．００％ ｜ ９２．１７％ ｜ ０．０２１３ ｜ ０．３７９１ ｜ ０．０１００ ｜
｜ ２４ ｜ １７００ ｜ ００：００：１４ ｜ １００．００％ ｜ ９２．０４％ ｜ ０．０１６３ ｜ ０．３７３１ ｜ ０．０１００ ｜
｜ ２４ ｜ １７５０ ｜ ００：００：１５ ｜ １００．００％ ｜ ９１．９４％ ｜ ０．０２３０ ｜ ０．３７９０ ｜ ０．０１００ ｜
｜ ２５ ｜ １８００ ｜ ００：００：１５ ｜ ９８．４４％ ｜ ９１．９０％ ｜ ０．０８４２ ｜ ０．３９１２ ｜ ０．０１００ ｜
｜ ２６ ｜ １８５０ ｜ ００：００：１６ ｜ ９９．２２％ ｜ ９２．２２％ ｜ ０．０２５７ ｜ ０．３８１９ ｜ ０．０１００ ｜
｜ ２７ ｜ １９００ ｜ ００：００：１６ ｜ １００．００％ ｜ ９１．８１％ ｜ ０．０１３５ ｜ ０．４０６９ ｜ ０．０１００ ｜
｜ ２７ ｜ １９５０ ｜ ００：００：１６ ｜ １００．００％ ｜ ９２．１１％ ｜ ０．０１１０ ｜ ０．３９６９ ｜ ０．０１００ ｜
｜ ２８ ｜ ２０００ ｜ ００：００：１７ ｜ １００．００％ ｜ ９２．０６％ ｜ ０．０１３１ ｜ ０．３９５６ ｜ ０．０１００ ｜
｜ ２９ ｜ ２０５０ ｜ ００：００：１７ ｜ １００．００％ ｜ ９１．７６％ ｜ ０．０１８３ ｜ ０．４１３５ ｜ ０．０１００ ｜
｜ ２９ ｜ ２１００ ｜ ００：００：１７ ｜ １００．００％ ｜ ９２．２２％ ｜ ０．０１４６ ｜ ０．４０７１ ｜ ０．０１００ ｜
｜ ３０ ｜ ２１５０ ｜ ００：００：１８ ｜ １００．００％ ｜ ９２．０１％ ｜ ０．００９３ ｜ ０．４０９０ ｜ ０．０１００ ｜
｜ ３１ ｜ ２２００ ｜ ００：００：１８ ｜ １００．００％ ｜ ９２．０４％ ｜ ０．０１２８ ｜ ０．４１０５ ｜ ０．０１００ ｜
｜ ３１ ｜ ２２５０ ｜ ００：００：１８ ｜ ９９．２２％ ｜ ９２．１０％ ｜ ０．０３７０ ｜ ０．４１４４ ｜ ０．０１００ ｜
｜ ３２ ｜ ２３００ ｜ ００：００：１９ ｜ １００．００％ ｜ ９１．９４％ ｜ ０．０１０６ ｜ ０．４１７２ ｜ ０．０１００ ｜
｜ ３３ ｜ ２３５０ ｜ ００：００：１９ ｜ ９９．２２％ ｜ ９１．９７％ ｜ ０．０３６０ ｜ ０．４１８６ ｜ ０．０１００ ｜
｜ ３３ ｜ ２４００ ｜ ００：００：２０ ｜ １００．００％ ｜ ９１．９５％ ｜ ０．００４９ ｜ ０．４２５８ ｜ ０．０１００ ｜
｜ ３４ ｜ ２４５０ ｜ ００：００：２０ ｜ １００．００％ ｜ ９２．０８％ ｜ ０．０１２４ ｜ ０．４２０１ ｜ ０．０１００ ｜
｜ ３５ ｜ ２５００ ｜ ００：００：２０ ｜ １００．００％ ｜ ９１．８５％ ｜ ０．０１０９ ｜ ０．４２９７ ｜ ０．０１００ ｜
｜ ３５ ｜ ２５５０ ｜ ００：００：２１ ｜ ９９．２２％ ｜ ９２．２２％ ｜ ０．０２９８ ｜ ０．４２２８ ｜ ０．０１００ ｜
｜ ３６ ｜ ２６００ ｜ ００：００：２１ ｜ １００．００％ ｜ ９１．９７％ ｜ ０．００５５ ｜ ０．４３６４ ｜ ０．０１００ ｜
｜ ３７ ｜ ２６５０ ｜ ００：００：２１ ｜ １００．００％ ｜ ９１．７２％ ｜ ０．０１０４ ｜ ０．４３７９ ｜ ０．０１００ ｜
｜ ３７ ｜ ２７００ ｜ ００：００：２２ ｜ １００．００％ ｜ ９２．０６％ ｜ ０．０１５７ ｜ ０．４３１８ ｜ ０．０１００ ｜
｜ ３８ ｜ ２７５０ ｜ ００：００：２２ ｜ １００．００％ ｜ ９２．０６％ ｜ ０．０１０２ ｜ ０．４３１９ ｜ ０．０１００ ｜
｜ ３９ ｜ ２８００ ｜ ００：００：２２ ｜ １００．００％ ｜ ９１．９７％ ｜ ０．００４２ ｜ ０．４４７９ ｜ ０．０１００ ｜
｜ ４０ ｜ ２８５０ ｜ ００：００：２３ ｜ １００．００％ ｜ ９１．９５％ ｜ ０．００８５ ｜ ０．４３８９ ｜ ０．０１００ ｜
｜ ４０ ｜ ２９００ ｜ ００：００：２３ ｜ １００．００％ ｜ ９１．８８％ ｜ ０．００７６ ｜ ０．４４６０ ｜ ０．０１００ ｜
｜ ４１ ｜ ２９５０ ｜ ００：００：２４ ｜ １００．００％ ｜ ９２．０８％ ｜ ０．００７７ ｜ ０．４４４２ ｜ ０．０１００ ｜
｜ ４２ ｜ ３０００ ｜ ００：００：２４ ｜ １００．００％ ｜ ９１．９４％ ｜ ０．０１１１ ｜ ０．４４７２ ｜ ０．０１００ ｜
｜ ４２ ｜ ３０５０ ｜ ００：００：２４ ｜ ９９．２２％ ｜ ９１．９５％ ｜ ０．０１８９ ｜ ０．４４８６ ｜ ０．０１００ ｜
｜ ４３ ｜ ３１００ ｜ ００：００：２５ ｜ １００．００％ ｜ ９１．９５％ ｜ ０．００７６ ｜ ０．４５１３ ｜ ０．０１００ ｜
｜ ４４ ｜ ３１５０ ｜ ００：００：２５ ｜ １００．００％ ｜ ９１．９７％ ｜ ０．００２７ ｜ ０．４５０２ ｜ ０．０１００ ｜
｜ ４４ ｜ ３２００ ｜ ００：００：２５ ｜ １００．００％ ｜ ９２．０２％ ｜ ０．００９３ ｜ ０．４６０４ ｜ ０．０１００ ｜
｜ ４５ ｜ ３２５０ ｜ ００：００：２６ ｜ １００．００％ ｜ ９１．８８％ ｜ ０．００６９ ｜ ０．４５６１ ｜ ０．０１００ ｜
｜ ４６ ｜ ３３００ ｜ ００：００：２６ ｜ １００．００％ ｜ ９１．９２％ ｜ ０．００４３ ｜ ０．４５３３ ｜ ０．０１００ ｜
｜ ４６ ｜ ３３５０ ｜ ００：００：２６ ｜ １００．００％ ｜ ９１．９２％ ｜ ０．００６４ ｜ ０．４６７０ ｜ ０．０１００ ｜
｜ ４７ ｜ ３４００ ｜ ００：００：２７ ｜ １００．００％ ｜ ９１．９４％ ｜ ０．００７３ ｜ ０．４６４２ ｜ ０．０１００ ｜
｜ ４８ ｜ ３４５０ ｜ ００：００：２７ ｜ １００．００％ ｜ ９１．９２％ ｜ ０．００５０ ｜ ０．４６２４ ｜ ０．０１００ ｜
｜ ４８ ｜ ３５００ ｜ ００：００：２８ ｜ １００．００％ ｜ ９２．２４％ ｜ ０．００７４ ｜ ０．４６１８ ｜ ０．０１００ ｜
｜ ４９ ｜ ３５５０ ｜ ００：００：２８ ｜ ９９．２２％ ｜ ９１．９７％ ｜ ０．０１６７ ｜ ０．４７１０ ｜ ０．０１００ ｜
｜ ５０ ｜ ３６００ ｜ ００：００：２８ ｜ １００．００％ ｜ ９１．８６％ ｜ ０．００３５ ｜ ０．４６９２ ｜ ０．０１００ ｜
｜ ５０ ｜ ３６５０ ｜ ００：００：２９ ｜ １００．００％ ｜ ９２．０６％ ｜ ０．０１４７ ｜ ０．４６７７ ｜ ０．０１００ ｜
｜＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝｜
训练结束: 已完成最大轮数。
测试集分类准确率为92.3364%
测试集分类准确为92.0961%，效果还可以接受。如果你有兴趣，更换模型拓扑结构、优化算法、激活函数等等，可能会得到更好的分类结果。
今天分享的例子大家按照流程一步一步操作，肯定都能跑通，使用Matlab做深度学习适应于于以下人群：
1.熟悉Matlab但不熟悉Python语言的小伙伴；
2.刚刚接触深度学习，想要将理论迅速实现的小伙伴；
3.不需要state-of-art模型的，只需要将经典深度学习模型应用到自己研究领域的小伙伴
其中以上分享的Matlab中深度学习的代码，与Keras很像，都是“搭积木”的形式将模型拼凑起来而已，但是如果真的想进一步深入研究深度学习，或者是对现有模型进行改进创新，那么Matlab中提供的工具包集成度就显得太高了，pytorch或tensorflow或许更合适。但是不过怎么说，Matlab至少在深度学习领域迈出了一大步，可喜可贺。
如果对你有用，欢迎点赞，收藏，加关注，后面会持续免费更新新内容
参考：
Matlab中的深度学习——CNN图像分类实例 - 知乎 (zhihu.com)
相关链接
您阅读本篇文章共花了：
发表评论