MatCovNet官网 http://www.vlfeat.org/matconvnet/

深度学习12：能力提升， 一步一步的介绍如何自己构建网络和训练，利用MatConvNet - CSDN博客
https://blog.csdn.net/qq_20259459/article/details/65633407

深度学习在object tracking中的使用也越来越多，从去年的VOT结果来看，很多tracker都应用了convolution feature，整体效果都比之前的方法提高了一大截，所以学习deep learning需要提上日程了。看了HCF以及C-COT的源码，都运用到了matlab的深度学习工具---MatConvNet，所以关于它的使用了解了一番。

1、首先是下载，可以到http://www.vlfeat.org/matconvnet/去下载，不过C-COT的作者Martin大神的源码的说明文档readme中也提供了github的下载链接

2、通过执行  mex -setup 来设置matlab的C++编译器（VS2010 or  greater）

3、将MatConvNet的path加到matlab路径中去

1.  
   cd matconvnet-master
2.  
   addpath matlab

4、需要Compile MatConvNet。

vl_compilenn

当然，最好是写一个文件，执行3.4步。

比如，CompileCPU.m

1.  
   % Compiling for CPU
2.  
   addpath matlab
3.  
   vl_compilenn

如果想应用GPU计算，需要写成CompileGPU.m

1.  
   addpath matlab
2.  
   vl_compilenn(\'enableGpu\', true,...
3.  
   \'cudaRoot\', \'/Developer/NVIDIA/CUDA-6.5\', ...%自己安装的CUDA的路径
4.  
   \'cudaMethod\', \'nvcc\', ...
5.  
   \'enableCudnn\', true, ...
6.  
   \'cudnnRoot\', \'local/cudnn-rc2\') ;

这里需要注意，目前MatConvNet只支持英伟达的显卡，我看了一下我的台式机的显卡是intel的集成显卡，不能用，汗。所以，这里还是先介绍在CPU下进行处理的方式。

5、加载预训练的模型。

需要从官网下载一个network（也就是 a pre-trained CNN）

链接戳 http://www.vlfeat.org/matconvnet/pretrained/

6、setup MatConvNet。

run matlab/vl_setupnn

7、 load the pre-trained CNN。

net = load(\'D:\MenghanZhou\matlab_work\ToolsBoxes\networks\imagenet-vgg-m-2048.mat\');

这里的net是一个预训练模型，是一个线性链组成的网络。它是一个结构体的形式：

其中，layers有21层（不同的预训练模型的卷积层数目不同）

      meta包含3个结构体

classes是已经训练好的模型对事物的1000种分类。

---------------------------我是分割线-----------------------------

来看一个例子，利用VGG已经训练好的模型对这张图片分类。

代码如下：

1.  
   %将pepper.png这张图按照模型，根据得分确定最应该属于的类别
2.  
   run matlab/vl_setupnn
3.  
   net = load(\'D:\MenghanZhou\matlab_work\ToolsBoxes\networks\imagenet-vgg-m-2048.mat\');
4.  
   im = imread(\'peppers.png\');
5.  
   im_ = single(im);
6.  
   im_ = imresize(im_,net.meta.normalization.imageSize(1:2));%缩放到224*224大小
7.  
   im_ = im_ - net.meta.normalization.averageImage;%减去均值
8.  
   res = vl_simplenn(net,im_);%res包含了计算结果，以及中间层的输出 最后一层可以用来分类
9.  
   y = res(end).x;%最后一层
10.  
    x = gather(res(end).x);
11.  
    score = squeeze(gather(res(end).x));%分属于每个类别的分数
12.  
    [bestScore, best] = max(score);
13.  
    figure(1);
14.  
    clf;
15.  
    imshow(im);
16.  
    title(sprintf(\'%s %d,%.3f\',net.meta.classes.description{best},best,bestScore));%net.meta.classes.description里存放的是很多种类别的名称
17.  
     

这样，我们就可以得到下面的结果：

这说明，这张图片属于1000中类别中的pepper，而且属于这个类别的概率为0.979。

https://blog.csdn.net/sgfmby1994/article/details/70738883