利用matconvnet工具包中对mnist手写数字体设计的cnn结构，识别人脸性别。主程序为“cnn_mnist.m”，而cnn结构初始化在“cnn_mnist_init.m”中完成，网络结构不需要重新设计，只需要在cnn_mnist.m中更改数据的输入，在cnn_mnist_init.m更改网络的输出。

    对于本题数据集，“train”中图片为训练集，“val”中为验证集，“test”中为测试集。首先利用“train”和“val”中人脸图片训练cnn网络权重，最后对训练好的网络用“test”中数据进行测试。

    本题主程序所在M文件为“cnn_mnist_new.m”；网络结构文件为“cnn_mnist_init_new.m”；“test_p1.m”为对训练好的网络进行测试的主程序。

   网络激活函数，在缺省情况下，默认为“sigmoid”。

   首先在“cnn_mnist_init_new.m”中先拷贝“cnn_mnist.m”中代码，然后主要更改其中“getMnistImdb”函数。由于mnist数据集中的图像数据 ，而本次实验中，所用图片大小为 ，因此，需要把这些数字图像压缩为 。

   函数“getMnistImdb”中变量“x1”存储训练集中的图片，男性和女性的人脸图片给300张，其前300维存储男性，后300维存储女性；而变量“y1”存储训练集对应的标签，也是其前300维存储男性，后300维存储女性，这里需要注意的是，matconvnet不能把类别标签设置为“0”，否则对其他一些类别不能再识别；而本次作业为二分类问题，这里，男性对应于标签“1”，女性对应于标签“2”。同理，“x2”和“y2”对应于验证集中的数据，其中男性和女性图片各80张。

   作为说明，这里只给出读取训练集数据中女性的示例代码：

%x1(:,:,1:300) stores female images in the train set
%x1(:,:,301:600) stores male images in the train set
x1=zeros(28,28,600);
%y1(1:300) stores female labels(1) in the train set
%y1(301:600) stores male labels(2) in the train set
y1=cat(2,ones(1,300),ones(1,300)+1);
%读取训练集图片-female
img_file_path=fullfile(vl_rootnn,‘examples\mnist\image\image\new\train\female‘);
img_dir=dir(img_file_path);
for i=1:length(img_dir)-2    filename=sprintf(‘%s\\%s\\fy.bmp‘,img_file_path,img_dir(i+2).name);
    I=imread(filename);
    I=imresize(I,[28,28]); %将图片压缩为28*28大小
    x1(:,:,i)=I;
end

另外，为了防止过拟合，“cnn_mnist_init_new.m”中加入dropout，所谓“dropout”就是在训练过程中，随机让一些节点不参与计算，加入方式为：

net.layers{end+1} = struct(‘type‘, ‘dropout‘, ‘rate‘, 0.5);

并且迭代次数设置为300，最重要的是，要把“softmaxloss”前一全连接层中神经元输出节点改2，即：

net.layers{end+1} = struct(‘type‘, ‘conv‘, ...
                           ‘weights‘, {{f*randn(1,1,500,2, ‘single‘), zeros(1,2,‘single‘)}}, ...
                           ‘stride‘, 1, ...
                           ‘pad‘, 0) ;

执行“cnn_mnist_init_new.m”可以得到如下结果：

其中，“energy”训练过程中训练集和和验证集的总的误差能量之和；而“error”分别对应训练集和验证机的错误率，“top1err”是“softmax”层输出过程中最高得分项对应错误率，而由于是二分类问题，“top5err”（前5项得分最高项对应错误率）是没有意义的。

2.利用 test文件夹测试：

“test_p1.m”是对已经训练好的网络测试“test”文件夹下数据的主程序。测试集共265张图片，其中男性56张，女性209张。读取数据过程和“cnn_mnist_new.m”相似，这里不再赘述。而加载网络主要过程：

train_imdb_path=fullfile(vl_rootnn,‘\examples\mnist\problem1\problem-1-net-epoch\imdb.mat‘);
 load(net_path);
net.layers{end}.type = ‘softmax‘;

其中，“net_path”为网络所在文件路径，并且要主要加载网络之后，要把原来的“softmaxloss”改为“softmax”。并且处理测试集数据时候，要把测试集的数据减去训练集的均值（因为训练时候，预处理过程含有去均值的过程），其中，均值存储在训练集中的“imdb”结构体中，

示例代码如下：

test_set=single(test_set);
train_imdb_path=fullfile(vl_rootnn,‘\examples\mnist\problem1\problem-1-net-epoch\imdb.mat‘);
train_imdb=load(train_imdb_path);
train_data_mean=train_imdb.images.data_mean;
test_set=bsxfun(@minus,test_set,train_data_mean);

而这个前向过程的输出主要利用函数“vl_simplenn”，示例如下：

err_cnt=0; 
best_scores=zeros(1,female_num+male_num);
err_id=zeros(1,female_num+male_num);
for i=1:(female_num+male_num)
    res=vl_simplenn(net,test_set(:,:,i));
    scores=squeeze(gather(res(end).x));
    [best_score, best_id] = max(scores);
    best_scores(i)=best_score;
    if abs(str2double(net.meta.classes.name{best_id})-test_label(i))>1e-1;
        err_cnt=err_cnt+1;
        err_id(i)=1;
    end
    
end
err_rate=err_cnt/(female_num+male_num);