本文还有配套的精品资源，点击获取

简介：手写数字识别是计算机视觉的经典问题，在邮政编码自动识别等领域有广泛应用。本项目通过MATLAB中的卷积神经网络（CNN）来解决此问题。项目中包含用于设置CNN结构、训练和测试的MATLAB代码，旨在帮助初学者理解CNN的工作原理及其在MATLAB中的实现。通过实际编码实践，学习者将掌握CNN从图像中提取特征并进行分类的能力。

1. 手写数字识别概述

1.1 手写数字识别的背景与意义

手写数字识别是一项经典的机器学习任务，它不仅有着悠久的历史，也是现代深度学习技术发展的催化剂之一。这项技术在现实世界中的应用场景极为广泛，如邮政编码识别、银行支票的数字自动识别、各种电子设备的密码输入等。随着技术的进步，手写数字识别的准确率越来越高，对于推动智能设备的发展和改善用户体验起到了积极的作用。

1.2 手写数字识别的技术演进

从最初的人工特征提取到基于神经网络的方法，再到现今的卷积神经网络（CNN），手写数字识别技术在经历了几代演进后，其识别准确性和速度均得到了极大的提升。CNN以其强大的特征提取能力，在图像处理领域展现出了巨大的潜力，尤其在处理大规模视觉数据时表现出了显著的优势。

1.3 手写数字识别与深度学习

深度学习的兴起，尤其是CNN的广泛应用，使得手写数字识别达到了前所未有的高度。深度学习模型通过多层的非线性变换来自动提取数据中的特征，极大地减少了人工干预，提高了识别的自动化和智能化程度。在本章中，我们将概述手写数字识别的基本概念，并为后续章节中使用MATLAB实现CNN打下基础。

2. MATLAB环境与CNN

2.1 MATLAB环境配置

2.1.1 MATLAB软件安装与简介

MATLAB，全称为Matrix Laboratory，是一种用于算法开发、数据可视化、数据分析以及数值计算的高级语言和交互式环境。它广泛应用于工程计算、控制设计、信号处理与通信、图像处理、信号分析、财务建模等领域。在深度学习研究中，MATLAB提供了丰富的工具箱，尤其是在卷积神经网络（CNN）模型设计和实验方面，提供了极高的便利性。

在开始进行CNN模型构建之前，我们需要先安装MATLAB软件。软件的安装过程相对直观，用户可以在MathWorks官方网站下载安装包，并按照向导步骤完成安装。安装完成后，启动MATLAB会看到其简洁直观的用户界面，包括命令窗口、编辑器、工作空间和路径管理器等。

在MATLAB的后续操作中，尤其重要的是工具箱的安装，因为它们提供了许多专用的函数和应用程序接口。例如，深度学习工具箱（Deep Learning Toolbox）就是进行深度学习研究必不可少的工具箱之一。

2.1.2 MATLAB编程基础和工具箱安装

在MATLAB中进行编程通常涉及到矩阵操作和函数的使用。MATLAB的语法简洁，数据结构主要是矩阵，这使得矩阵运算变得极为便捷。对于深度学习的研究者而言，掌握MATLAB的基础语法是进行算法实现和数据处理的先决条件。

此外，MATLAB提供的各种工具箱极大地扩展了其应用范围。在进行CNN的研究与开发中，最重要的工具箱之一是深度学习工具箱。这个工具箱包含了一系列用于构建、训练、可视化和加速深度神经网络的函数和应用，如CNN、RNN、LSTM等网络结构的实现。

安装工具箱的基本步骤如下： 1. 打开MATLAB软件。 2. 在顶部菜单栏选择“Add-Ons”（附加功能）> “Get Add-Ons”（获取附加功能）。 3. 在MATLAB Add-On Explorer中搜索Deep Learning Toolbox。 4. 点击获取并按照提示安装。

2.2 CNN在MATLAB中的实现

2.2.1 MATLAB中CNN的理论基础

卷积神经网络（CNN）是一种深度学习模型，特别适用于处理具有网格状拓扑结构的数据，如图像。CNN的网络层主要包括卷积层、池化层和全连接层。每个层级各有其独特的功能，相互配合以实现特征提取和分类。

卷积层是通过使用一组可学习的滤波器（或称为卷积核）来扫描输入图像，提取图像的局部特征。卷积操作可以有效减少参数的数量和计算量，并且有助于保持图像的空间结构关系。

池化层通常跟随在卷积层之后，它的主要目的是降低特征图（feature map）的维度，减少计算量和防止过拟合，常用的池化操作包括最大池化和平均池化。

全连接层则出现在网络的末端，它将前面层提取到的高级特征整合起来进行分类或回归任务。在CNN模型中，全连接层是对特征进行最终决策的层。

2.2.2 MATLAB中CNN的实现步骤

在MATLAB中实现CNN通常包括以下步骤： 1. 准备数据：收集并预处理手写数字图像数据集。 2. 设计网络结构：使用MATLAB提供的层函数定义CNN架构。 3. 配置训练选项：设置学习率、迭代次数、优化器等参数。 4. 训练网络：使用定义好的网络结构和训练选项来训练模型。 5. 测试模型：评估模型在测试集上的表现。

下面是一个简单的CNN结构实现示例代码：

layers = [
    imageInputLayer([28 28 1]) % 输入层，假设输入图片大小为28*28，且是单通道灰度图
    convolution2dLayer(5, 20) % 卷积层，使用5*5的卷积核，20个滤波器
    reluLayer % 激活层，使用ReLU函数
    maxPooling2dLayer(2, 'Stride', 2) % 池化层，池化窗口大小为2*2
    fullyConnectedLayer(10) % 全连接层，假设输出类别为10（0到9的数字）
    softmaxLayer % softmax层，用于分类
    classificationLayer % 分类输出层
];
options = trainingOptions('sgdm', ... % 使用随机梯度下降优化器
    'MaxEpochs', 10, ... % 最大迭代次数
    'InitialLearnRate', 0.01, ... % 初始学习率
    'Verbose', false, ...
    'Plots', 'training-progress'); % 绘制训练进度图

% 训练CNN模型
net = trainNetwork(XTrain, YTrain, layers, options); % XTrain和YTrain分别为训练数据和标签

% 测试模型
YPred = classify(net, XTest); % XTest为测试数据
accuracy = sum(YPred == YTest) / numel(YTest); % 计算准确率

在上述代码中，我们首先定义了一个简单的CNN网络结构，随后配置了训练选项，包括优化器、迭代次数和学习率等参数。在这些配置之后，使用 trainNetwork 函数对模型进行训练，并用 classify 函数对训练好的模型进行测试。

通过以上步骤，我们可以在MATLAB中构建并训练一个用于手写数字识别的CNN模型。这个过程不仅可以加深我们对CNN结构的理解，同时也能够实际掌握如何在MATLAB环境中实现深度学习算法。

在接下来的章节中，我们将更深入地探讨CNN的各个组成部分，包括卷积层、池化层和全连接层的工作原理及其在手写数字识别中的应用。此外，还会详细介绍MATLAB中用于CNN模型构建、训练和测试的关键函数，以及如何优化模型性能。

3. CNN结构和功能

在这一章中，我们将深入探讨卷积神经网络（CNN）的内部构造，了解其不同层的功能，并探索它们是如何协同工作以实现手写数字识别这一复杂任务的。我们将从卷积层开始，逐步到池化层，最后是全连接层，深入分析每个部分的原理和应用。

3.1 卷积层的原理与应用

3.1.1 卷积层的工作机制

卷积层是CNN中最为核心的组件之一，其基本作用是提取输入图像的特征。卷积操作通常涉及一个卷积核（或滤波器）在输入图像上的滑动，通过执行点乘和累加操作来计算输出特征图（feature map）。

在MATLAB中，卷积操作可以通过内置的 conv2 函数实现，该函数允许指定卷积核的大小和步长等参数。在手写数字识别任务中，卷积层可以有效地提取图像中的边缘、角点和纹理等特征，为后续的识别任务打下基础。

3.1.2 卷积层在手写数字识别中的作用

卷积层通过提取局部特征并保持这些特征与它们在原图中的位置关系，从而在手写数字识别任务中发挥关键作用。例如，在识别数字“8”时，卷积层可以提取出构成“8”的线条特征，并保持这些线条的空间布局，这对于区分其他数字（如“6”或“9”）至关重要。

在MATLAB实现中，多个卷积层通常被堆叠在一起，以逐渐提取出更加抽象和复杂的特征。这种层次化的特征提取策略能够极大提高识别的准确性。

3.2 池化层的原理与应用

3.2.1 池化层的功能描述

池化层位于卷积层之后，主要作用是对特征图进行下采样，从而降低特征图的空间维度，减少计算量和模型参数，同时保持关键特征的信息不丢失。常见的池化操作包括最大池化（max pooling）和平均池化（average pooling）。

在MATLAB中，池化操作可以通过 maxpool 函数实现。通过选择适当的池化窗口大小和步长，池化层可以在不显著影响识别性能的前提下，大幅降低模型的计算复杂度。

3.2.2 池化层对手写数字识别性能的影响

池化层对提高模型的泛化能力和减少过拟合风险起着重要作用。在手写数字识别任务中，池化层可以帮助模型忽略不重要的位置变化，如笔画粗细或轻微的位移变化，从而对数字图像进行更为鲁棒的识别。

池化操作减少了特征图的空间分辨率，但保留了重要的特征信息，这对于后续层能够处理更加抽象的特征是有益的。此外，池化层还可以引入一种平移不变性，这是因为在池化窗口内的平移不会改变池化结果。

3.3 全连接层的原理与应用

3.3.1 全连接层的作用及特点

全连接层是CNN中负责最终分类的层。在经过一系列卷积和池化层的特征提取后，全连接层将高维特征向量映射到类别空间。全连接层的每个神经元与上一层的所有激活单元相连，允许网络从特征学习复杂的关系。

在MATLAB中，全连接层可以通过 fullyConnectedLayer 函数实现。与卷积层和池化层不同，全连接层没有空间结构的概念，它的输入是展平的一维特征向量。

3.3.2 全连接层在模型训练与识别中的角色

在手写数字识别任务中，全连接层的关键作用是根据提取的特征进行决策。它将学习到的特征组合起来，以区分不同数字。全连接层的权重和偏置是模型训练中学习的重点，它们决定了网络最终的分类能力。

通过训练，全连接层可以识别出哪些特征组合对应于特定的数字，并给出相应的分类概率。在模型评估时，通过比较输出概率与实际标签，可以计算出模型的分类准确性。

% 示例代码：全连接层在网络中初始化
fullyConnectedLayer(10)

上述MATLAB代码展示了如何初始化一个全连接层，该层将输入的特征向量映射到10个类别的概率输出中，这对应于手写数字识别任务中的0到9的10个数字类别。

4. 关键MATLAB函数介绍

在MATLAB中实现卷积神经网络（CNN）模型时，使用特定的函数可以简化模型搭建、训练和测试的过程。本章节将介绍几个关键的MATLAB函数，包括CNN模型搭建函数 cnnsetup 、模型训练函数 cnnbp 以及模型前向传播函数 cnnff ，详细解析它们的使用方法和参数，以及如何在实际的CNN实现中应用这些函数。

4.1 CNN模型搭建函数cnnsetup

4.1.1 函数使用说明

cnnsetup 函数用于初始化一个CNN结构，这个函数是构建CNN的基础。在MATLAB中，CNN结构通常包含多个层，每层执行特定的操作。 cnnsetup 函数允许用户指定这些层的参数，包括层类型（卷积层、池化层、全连接层等）、层数量、过滤器大小、步长等。此外，还可以设置激活函数，如ReLU、tanh或sigmoid，以及初始化权重和偏置的参数。

参数说明： - layers ：一个向量，定义了CNN的层数。 - types ：一个字符数组，表示每一层的类型。 - sizes ：一个向量，包含了每个卷积层和全连接层的大小。 - strides ：一个向量，包含了卷积层中过滤器的步长。 - padding ：一个字符数组，表示每一层的填充类型。 - actFun ：一个字符数组，表示每一层的激活函数。 - weights ：一个数组，定义了初始化权重的参数。 - biases ：一个数组，定义了初始化偏置的参数。

实例演示与代码解析： 假设我们要创建一个简单的CNN模型，该模型包含一个卷积层、一个池化层和一个全连接层，以下是使用 cnnsetup 函数的代码示例：

layers = [1 1 5]; % 单个卷积层，大小为5x5
types = {'conv','pool','fc'}; % 卷积层、池化层和全连接层
sizes = [20 50 1]; % 卷积层有20个过滤器，全连接层有50个单元
strides = 1; % 步长为1
padding = 'same'; % 使用'same'填充，保持输入和输出尺寸一致
actFun = {'relu','relu','tanh'}; % 卷积层和池化层使用ReLU，全连接层使用tanh

% 创建CNN模型
net = cnnsetup(layers, types, sizes, strides, padding, actFun);

上述代码创建了一个包含20个5x5过滤器的卷积层，一个池化层和一个全连接层的结构，激活函数在卷积层和池化层为ReLU，而在全连接层为tanh函数。这个函数可以自动地完成CNN模型的初始化，并返回网络结构 net 。

4.2 CNN模型训练函数cnnbp

4.2.1 训练函数的参数及选项

cnnbp 函数负责在给定数据集上训练CNN模型。它利用反向传播算法（backpropagation）调整网络中的权重和偏置以最小化损失函数。该函数的参数和选项包括训练数据、标签、损失函数类型、优化器以及训练过程中的各种超参数。

参数说明： - net ：已经初始化的CNN模型结构。 - X ：输入数据集，维度为(numSamples x numChannels x height x width)。 - Y ：对应的目标标签。 - lossFunc ：定义损失函数的类型。 - optimizer ：优化算法，如随机梯度下降（SGD）、Adam等。 - options ：一个结构体，包含如学习率、批量大小、迭代次数等训练选项。

4.2.2 训练过程的细节与调优

在训练过程中， cnnbp 函数会执行以下步骤： 1. 计算前向传播中的输出。 2. 计算损失函数的值和梯度。 3. 使用优化算法更新权重和偏置。 4. 记录训练过程中的各种指标，如损失和准确率。 5. 重复以上步骤直到达到最大迭代次数或满足早停条件。

为了获得最佳的训练效果，调优是必要的。这涉及到调整超参数，如学习率、批量大小、迭代次数，以及损失函数和优化器的选择。例如，可以通过实验来确定学习率的最佳值或选择更适合当前数据集的优化器。

4.3 CNN模型前向传播函数cnnff

4.3.1 前向传播函数的作用

cnnff 函数执行的是CNN模型的前向传播过程，它基于当前网络权重和偏置来计算网络的输出。给定输入数据后，函数将依次通过网络的每一层，对数据进行处理，并将处理结果传递到下一层。最终，函数返回网络的最终输出，这通常是模型的预测结果。

4.3.2 代码示例及结果分析

考虑到我们之前创建的网络结构 net ，我们可以使用以下代码示例演示如何进行前向传播：

% 假设输入数据X和标签Y已经准备就绪
X = ...; % 输入数据，维度为(numSamples x numChannels x height x width)
Y = ...; % 标签数据，维度为(numSamples x numClasses)

% 前向传播
output = cnnff(net, X);

% 分析输出结果，例如输出到最后一层的分类结果
[~, predictedClasses] = max(output, [], 2);
accuracy = sum(predictedClasses == Y) / length(Y);

在这个例子中，我们首先准备了输入数据 X 和对应的标签 Y 。然后使用 cnnff 函数对输入数据进行前向传播，并通过网络的最后一层得到模型的预测结果 output 。通过比较 output 和 Y ，我们可以计算出模型在当前数据集上的准确率 accuracy 。

通过 cnnff 函数的输出，我们可以对模型的预测能力进行评估，并根据需要进一步调整模型结构或参数来改进模型性能。

5. CNN模型训练与测试流程

5.1 数据集的准备和预处理

数据集是机器学习和深度学习项目中不可或缺的一部分。它不仅关系到模型能否正确学习到输入与输出之间的关系，还直接影响模型的泛化能力。对于手写数字识别任务而言，数据集通常包括许多已标注的手写数字图片。准备和预处理数据集是至关重要的第一步。

5.1.1 数据集的来源与类型

首先，要明确数据集的来源。对于手写数字识别，常用的公开数据集有MNIST数据集。这个数据集包含了大量的手写数字图片，每一张图片都被标注了对应的数字。数据集一般分为训练集和测试集两部分，其中训练集用于训练模型，测试集则用于验证模型的泛化能力。

数据类型一般分为原始数据和预处理后的数据。原始数据通常是未经任何处理的，而预处理后的数据则是经过归一化、去噪声、标准化等步骤处理过的数据。预处理数据可以减少模型训练的难度，提升模型的性能。

5.1.2 数据预处理的标准流程

数据预处理是一个重要的步骤，有助于提高模型的学习效率和准确性。以下是数据预处理的标准流程：

• 归一化 ：将数据的范围缩放到[0, 1]区间内，可以加速模型训练的收敛速度，并且减少梯度消失的问题。
• 中心化处理 ：通过减去数据集的平均值使数据的均值为0，这有助于模型更准确地学习数据特征。
• 标准化 ：将数据集的各个特征属性缩放到统一的标准差，通常为1，使所有特征具有同样的重要性。
• 数据增强 ：通过旋转、缩放、剪切等方法人工生成新的数据样本，增加模型的泛化能力。

代码示例（使用MATLAB）：

% 读取数据集
[X_train, y_train] = loadMNIST('train');
[X_test, y_test] = loadMNIST('test');

% 归一化处理
X_train = X_train / 255.0;
X_test = X_test / 255.0;

% 中心化处理
mean_train = mean(X_train);
std_train = std(X_train(:));
X_train = (X_train - mean_train) / std_train;
X_test = (X_test - mean_train) / std_train;

% 转换数据格式以适应CNN输入
X_train = reshape(X_train, [28, 28, 1, length(X_train)]);
X_test = reshape(X_test, [28, 28, 1, length(X_test)]);

以上代码展示了如何加载MNIST数据集，并进行归一化和中心化处理。数据被重塑为适合CNN输入的四维数组格式。

5.2 训练参数的设置和调整

5.2.1 参数设置的重要性

在进行CNN模型训练时，需要设置多个参数，如学习率、批大小(batch size)、迭代次数(number of epochs)等。正确的参数设置对于模型性能的提升至关重要。学习率过小会导致训练过程缓慢，模型难以收敛；过大则可能导致训练过程发散，无法找到最优解。批大小的选择也会影响模型训练的稳定性，以及模型能否有效地利用GPU等硬件资源。迭代次数则关系到模型是否能够充分学习训练集中的数据。

5.2.2 实践中的参数调整策略

在实际操作中，确定最佳参数组合通常需要多次尝试和验证。使用交叉验证的方法可以有助于找到一组较为稳定的参数设置。在MATLAB中，通常可以通过以下方式调整参数：

• 使用预设参数 ：可以利用MATLAB内置的参数预设，如 trainingOptions 函数，它提供了一系列经过优化的默认参数设置。
• 自定义参数调整 ：通过逐步调整参数，并观察训练过程中的损失函数值以及准确率的变化，可以找到一组适应当前问题的参数组合。
• 学习率衰减策略 ：为了避免训练过程中学习率过大而引起震荡，可以采用学习率衰减策略。

代码示例（使用MATLAB）：

% 设置训练选项
options = trainingOptions('sgdm', ...
    'InitialLearnRate', 0.01, ...
    'MaxEpochs', 10, ...
    'Shuffle', 'every-epoch', ...
    'Verbose', false, ...
    'Plots', 'training-progress');

% 训练模型
net = trainNetwork(X_train, y_train, layers, options);

以上代码展示了如何设置训练选项，包括学习算法('sgdm')、初始学习率、最大迭代次数等。 trainNetwork 函数则根据这些参数开始训练模型，并将训练过程的性能图表输出。

5.3 模型的训练与验证

5.3.1 训练过程监控

在模型训练过程中，需要对损失函数值和验证集上的准确率进行监控。这有助于及时发现模型是否过拟合、欠拟合或者收敛。在MATLAB中，可以通过设置 trainingOptions 函数的 'Plots' 选项为 'training-progress' 来生成训练过程中的图表。

5.3.2 验证集的使用和分析

验证集用于评估模型在未见过的数据上的性能。通过在验证集上进行性能评估，可以了解模型是否具有良好的泛化能力。验证集上的性能通常比训练集上的性能更为重要，因为它能够反映出模型在实际应用中的表现。

在MATLAB中，可以将数据集划分为训练集、验证集和测试集。通常在 trainingOptions 中设置验证数据的比例。在训练过程中，模型会在每个epoch结束后在验证集上进行一次性能评估。

代码示例（使用MATLAB）：

% 划分数据集为训练集、验证集和测试集
idx = randperm(size(X_train, 4));
num_validation = floor(0.1 * size(X_train, 4));
X_val = X_train(:,:,:,idx(1:num_validation));
y_val = y_train(idx(1:num_validation));
X_train = X_train(:,:,:,idx(num_validation+1:end));
y_train = y_train(idx(num_validation+1:end));

% 训练模型并监控验证集性能
options = trainingOptions('sgdm', ...
    'ValidationData', {X_val, y_val}, ...
    'InitialLearnRate', 0.01, ...
    'MaxEpochs', 20, ...
    'Shuffle', 'every-epoch', ...
    'Verbose', false, ...
    'Plots', 'training-progress');

net = trainNetwork(X_train, y_train, layers, options);

以上代码演示了如何在MATLAB中划分训练集和验证集，并在训练过程中监控验证集上的性能。

综上所述，通过准备和预处理数据集、设置合适的训练参数、监控训练过程和使用验证集，可以有效地训练出一个表现良好的CNN模型。这些步骤确保了模型的泛化能力，并使得模型能够在实际应用中达到预期的性能。

6. 模型性能评估方法与实践

在深度学习项目中，尤其是在手写数字识别这类应用中，模型的性能评估至关重要。正确理解和应用性能评估方法能够帮助我们更客观地评价模型的泛化能力，并指导我们进一步优化模型结构和训练过程。

6.1 性能评估指标介绍

准确率是衡量分类模型性能最直观的指标之一，它表示模型正确预测样本的数量占总样本数量的比例。然而，准确率并不总能全面反映模型的性能，特别是在数据集类别不平衡的情况下。

6.1.1 准确率、精确率和召回率等概念

精确率（Precision）衡量的是模型预测为正的样本中实际为正的比例，而召回率（Recall）衡量的是实际为正的样本中被模型正确预测为正的比例。二者之间的平衡在很多情况下比单独的准确率更有意义。

• 精确率 = 正确预测为正的样本数 / 预测为正的样本数
• 召回率 = 正确预测为正的样本数 / 实际为正的样本数

为了综合考量精确率和召回率，通常会使用 F1 分数（F1 Score），它是二者的调和平均值。

6.1.2 混淆矩阵的作用与解读

混淆矩阵（Confusion Matrix）是一个非常有用的工具，用于更详细地分析模型的预测结果。它是一个方阵，每一行代表实际类别，每一列代表预测类别。通过混淆矩阵，我们可以得到真正类（True Positive, TP）、假正类（False Positive, FP）、真负类（True Negative, TN）和假负类（False Negative, FN）。

通过这些值，我们可以进一步计算出上述的精确率、召回率以及其他多种性能指标。

6.2 模型优化策略

在了解了基本的性能评估指标之后，我们可以通过不同的策略来优化模型性能。

6.2.1 模型正则化和过拟合处理

过拟合是机器学习中常见的问题，它发生于模型在训练数据上学习得过于“精确”，以至于泛化能力下降。模型正则化是减少过拟合的一种方法，它通过在损失函数中添加一个额外的惩罚项来限制模型的复杂度。例如，L1 和 L2 正则化可以帮助减小权重值，从而减少模型复杂度。

6.2.2 参数调整和模型优化方法

模型的性能在很大程度上取决于其参数的选择。超参数优化（Hyperparameter Optimization）是一个寻找最优超参数组合的过程。常见的优化方法包括网格搜索（Grid Search）、随机搜索（Random Search）、贝叶斯优化（Bayesian Optimization）等。通过这些方法，我们可以寻找到使模型在验证集上表现最佳的参数配置。

6.3 深度学习理论与代码实践

为了进一步理解和掌握性能评估与模型优化，我们需要将理论知识与实际代码实践相结合。

6.3.1 理论知识回顾

理论是实践的先导。在这里，我们将回顾前文提到的性能评估指标和模型优化策略。理解这些理论知识可以帮助我们更加有目的地进行代码实践。

6.3.2 代码实践案例分析

我们将通过MATLAB代码示例来展示如何在实际中计算上述性能指标，并使用一些优化方法。下面是一个简单的MATLAB代码片段，用于计算准确率、精确率、召回率和F1分数：

% 假设我们有实际标签和预测标签
trueLabels = [1, 2, 1, 1, 2, 1]; % 真实标签
predictedLabels = [1, 1, 1, 2, 2, 1]; % 预测标签

% 计算混淆矩阵
confMat = confusionmat(trueLabels, predictedLabels);

% 从混淆矩阵中提取相关值
TP = confMat(1, 1);
FP = confMat(1, 2);
TN = confMat(2, 2);
FN = confMat(2, 1);

% 计算指标
accuracy = (TP + TN) / sum(confMat(:));
precision = TP / (TP + FP);
recall = TP / (TP + FN);
F1 = 2 * (precision * recall) / (precision + recall);

% 输出结果
fprintf('准确率: %f\n', accuracy);
fprintf('精确率: %f\n', precision);
fprintf('召回率: %f\n', recall);
fprintf('F1分数: %f\n', F1);

通过这样的代码实践，我们可以加深对性能评估指标的理解，并学会如何在实际工作中应用这些知识。

本文还有配套的精品资源，点击获取

简介：手写数字识别是计算机视觉的经典问题，在邮政编码自动识别等领域有广泛应用。本项目通过MATLAB中的卷积神经网络（CNN）来解决此问题。项目中包含用于设置CNN结构、训练和测试的MATLAB代码，旨在帮助初学者理解CNN的工作原理及其在MATLAB中的实现。通过实际编码实践，学习者将掌握CNN从图像中提取特征并进行分类的能力。

本文还有配套的精品资源，点击获取