Matconvet的学习笔记
首先是自己的实践总结后面是转载的别人的内容：
在配置Matconvet时首先要配置MATLAB的编译器，此时你就要查看你的MATLAB的版本支持的编译器有哪些；两个相匹配后，再把msvc120opts.bat文件拷到C:\Program Files\MATLAB\R2014a\bin\win64\mexopts下这样你在MATLAB命令窗口中使用mex -setup c++命令就能检测到你的电脑上的编译器了，然后在机器学习\matconvnet-1.0-beta24目录下建一个compile.m文件来测试，当出现MEX成功时，说明你成功了。然后把你要用的代码文件放到
机器学习\matconvnet-1.0-beta24\examples目录下就能成功运行了。
转载：http://blog.csdn.net/anysky___/article/details/51356158
Introduction to Matconvnet
MatConvNet是实现用于计算机视觉领域的卷积神经网络(CNN)的MATLAB工具箱。自从取得突破性工作以来,CNN在计算机视觉领域有一个重大影响，特别是图像理解，基本上取代了传统图像表示。有许多其他机器学习、深度学习和CNN开源库的存在。一些最受欢迎的:CudaConvNet ，Torch， Theano,Caffe等。MatConvNet是为研究人员提供一个尤其是友好和高效使用的环境，它其中包含许多CNN计算块，如卷积，归一化和池化等等，他们中的大部分是使用C++或CUDA编写的，这意味着它允许使用者写新的块来提高计算效率。MatConvNet可以学习AlexNet等大型深度CNN模型，这些强大的模型的Pre-trained版本可以从MatConvNet主页下载。虽然强大,但是MatConvNet易于使用和安装。实现是完全独立的,只需要MATLAB和兼容的c++编译器(使用GPU代码免费提供CUDA DevKit和合适的NVIDIA GPU)。
[注]：我下载的版本是matconvnet-1.0-beta19，这个在可以从MatConvNet主页下载，下载网址如下：http://www.vlfeat.org/matconvnet/
一、Getting started
编译MatConvNet的CPU版本
首先通过一个简单但是完整的例子看一下CNN是如何完成下载MatConvNet,编译,下载pre-trained CNN 模型，完成MATLAB图片分类的过程。代码可以从MatConvNet主页的http://www.vlfeat.org/matconvnet/pretrained/获得。
注：1、untar('http://www.vlfeat.org/matconvnet/download/matconvnet-1.0-beta20.tar.gz') 是下载安装包的过程，建议单独下载其ZIP包，解压后放在任意位置，运行程序的时候会通过vl_setupnn()自动添加路径到Matlab中。下载时最好使用浏览器内置的下载器，因为迅雷下载下来的是一个txt文件，还需要转换。
2、run matlab/vl_compilenn是编译的过程，前提是要求matlab与编译器（VSc++）实现连接，如果没有可以使用mex -setup命令，设置matlab的C++编译器，提示MEX成功，才可以运行example中的示例。这个实际上就是配置Matconvnet的过程，只需要两句话：mex -setup;run matlab/vl_compilenn
3、run matlab/vl_setupnn，这句话在运行时总是报错，提示错误使用cd（当然上一句也可能出现这个问题，但我是直接运行的vl_compilenn，所以没出现，嘿嘿），在这里我将这句话改为run(fullfile(fileparts(mfilename('fullpath')),...
'..', 'matlab', 'vl_setupnn.m')) ,当然具体的语句与你所设的路径有关，就没有出现报错了。
4.net = load('imagenet-vgg-f.mat')这里net就是这个工具库所需要的预训练模型，在这里面链式网络已经架构完成，它的呈现形式是一个结构体，包括两部分，layers（因为这个结构有21层，故包含21个元胞）和meta（包含2个结构体，类别和标准化信息）。
5、程序的主体代码为vl_simplenn，包括CNN网络的输入输出及调用函数的过程。
编译MatConvNet的GPU版本
在GPU条件下编译，首先你的显卡得是INVIDA的，并且需要compute compability>2.0，其次一定要考虑版本相互协调的问题，我使用的版本是window7 65bits，vs2013，cuda7.5，MATLAB2014a，显卡是GTX960，compute compability=5.2，关于显卡是否合乎要求，也可以通过下载软件GPU Caps Viewer查看。
编译MatConvNet的GPU版本的具体步骤如下：
（1）官网下载CUDA 7.5.18、 以及 CUDA_Quick_Start_Guide.pdf，CUDA Toolkit 7.5.18 下载地址：http://developer.download.nvidia.com/compute/cuda/7.5/Prod/local_installers/cuda_7.5.18_windows.exe
（2） 直接解压安装，建议采用默认安装的方式，方便MatConvNet按默认方式找到CUDA 编译器‘nvcc’。关于cuda与vs的具体配置，可以参考http://blog.csdn.net/listening5/article/details/50240147和http://www.cnblogs.com/shengshengwang/p/5139245.html
（3） 完成后打开 cuda samples 文件夹下 Samples_vs2013.sln 分别在DEBUG 和Release X64下进行完整编译。编译过程如提示找不到”d3dx9.h”、”d3dx10.h”、”d3dx11.h”头文件，则百度下载DXSDK_Jun10.exe并安装。下载网址http://www.microsoft.com/en-us/download/details.aspx?id=6812 之后再重新编译。
（4） 全部编译成功之后，打开CUDA Samples 文件夹下的 bin/win64/release ,如下图。运行其中的小程序，即可查看GPU CUDA信息。PASS 为通过。
（5）安装cudnn-win64-v4.0/or-v3.0，下载网址http://download.csdn.net/download/yfszzx/9307683直接解压到某文件夹下，将cudnn64_4.dll 文件拷贝到 ./matconvnet/Matlab/mex文件夹下即可。
（6）编译vl_compilenn程序，注意根据实际情况修改一些信息，大致调用方式为vl_compilenn('enableGpu',true,,'cudaMethod' ,'nvcc','enableCudnn','true','cudnnRoot','local/cuda)，提示mex成功，则证明工作完成一大半了。
（7）最后就是运行cnn_cifa.m文件，运行前将程序中 opts.gpuDevice =[]改为opts.gpuDevice =[1]；表示使用GPU显卡运行，运行结果如图
可见速度是相当快的！
接下来我们介绍一下这个工具库中的一些计算函数，方便大家理解。
Conputationnal blocks：实现cnn的计算块 一、卷积
Y = VL_NNCONV(X, F, B)计算图像堆x的卷积，F是卷积核，B是偏置。X=H*W*D*N, (H,W)是图像的高和宽，D是图像深度（特征频道的数目,例彩色就是3），N是堆中图像的数目。F=FW*FH*FD*K ,(FH,FW)是卷积核的大小，FD是卷积核的深度，须与D一致，或能整除D，K是卷积核的数目。针对一幅图像来说，卷积的公式为:
其中ij分别代表图像的高和宽，d”则代表了卷积核的数目，从而对应d”个输出。 [DZDX, DZDF, DZDB] = VL_NNCONV(X, F, B, DZDY)计算映射到DZDY上的块的导数。这是反向传播中应用的梯度计算公式。 另外还有一些具体的变量设置。包括Stride=（sh，sw）是步长，即在卷积过程中每次移动的大小，这也决定了最后输出的大小，pad是补0的大小，表示为：
则最终输出的大小为：
[注]：1、在Matconvnet中并不区分全连接层和卷积层，而认为前者是后者的一种特殊情况。
2、在Matconvnet中有Filter groups（即滤波组）的概念，意思是说vl_nnconv允许对输入x的通道进行分组，且每组应用不同子集的过滤器。groups=D/D',D是图像深度,D'是滤波器的深度，从而第一组可包括输入的1、2，，，D'维度，第二组包括输入的D'+1，，，2D'，以此类推，但输出的大小是不变的。
二、卷积转换（反卷积）
Y = VL_NNCONVT(X, F, B)计算CNN的卷积转换，即进行卷积的反操作，其输入输出形式与上同。由于卷积支持输入补0输出进行下采样，因此反卷积支持输入上采样输出裁剪。
三、空间池化
Y = VL_NNPOOL(X, POOL)或Y = VL_NNPOOL(X, [POOLY, POOLX])对输入x的每个通道进行池化操作，池化的方式可以是求patch的最大值或平均值。同卷积相同，池化也支持pad和Stride操作，但pad有时是补负无穷。
四、激活函数
RELU函数：y = vl_nnrelu(x,dzdy,varargin)，在leak=0时，表达式为
Sigmoid函数：out = vl_nnsigmoid(x,dzdy)
这里只给出了正向传播时的函数表达式，反向传播的（涉及dzdy）具体表达式可以看程序。
五、归一化
1、VL_NNNORMALIZE ：CNN Local Response Normalization (LRN)
Local Response Normalization是对一个局部的输入区域进行的归一化，从表达式来看，也就是对每一个groups（前文）里的输入的相应子集进行归一化。表达式如下；其中的参数包括PARAM = [N KAPPA ALPHA BETA]
其中G（k）是对应通道k的输入相应子集，在程序中定义为 Q(k) = [max(1, k-FLOOR((N-1)/2)), min(D, k+CEIL((N-1)/2))]；
2、VL_NNBNORM CNN 实现批次归一化
Y = VL_NNBNORM(X,G,B)，这里XY均是4维张量，第4维T表示每批次处理的大小。标准化的表达式为
3.VL_NNSPNORM实现空间归一化 y = vl_nnspnorm(x, param, dzdy)，PARAM = [PH PW ALPHA BETA]；即对每个通道先进行池化操作，池化的方式为取平均，然后在进行归一化操作。其表达式为
4、VL_NNSOFTMAX CNN softmax
Y = vl_nnsoftmax(X,dzdY)：在一个groups（前文）中应用softmax函数，softmax函数可以看做一个激活函数和一个归一化操作的联合
六、损失和比较
1、 [y1, y2] = vl_nnpdist(x, x0, p, varargin)计算每个向量x与目标x0之间的距离，定义为：
2. Y = vl_nnloss(X,c,dzdy,varargin)
