做图像分类的时候，很多朋友第一反应就是 Python 加某个深度学习框架，然后配环境、装 CUDA、解决依赖冲突，还没跑通第一个模型，人已经先麻了。后来我开始认真用 MATLAB 写卷积神经网络（CNN），发现这条路被大大低估了：它有一套完整的深度学习工具箱，从数据导入、网络搭建、训练到结果可视化，全在一个环境里闭环，代码量比想象中小很多，而且很容易跑出能用的结果。这篇文章就以“基于 MATLAB 的简单卷积神经网络（CNN）实现代码”为主题，从零到一拆解一个真正能跑通的图像分类 Demo，把网络结构、数据准备、训练参数、常见坑位一次性讲清楚。
这篇文章适合两类人：一类是刚接触 CNN、被各种框架配置劝退的初学者，想先用一个不太折腾的环境把“卷积神经网络到底是咋回事”搞清楚；另一类是已经在用 MATLAB 做信号处理或图像处理、想顺手把深度学习引入到自己项目里的工程师。看完之后你不仅能跑通示例，还能改造成自己的数据集直接用。
1. 为什么用 MATLAB 写 CNN：工具选型背后的那些事
1.1 不折腾环境的优势
我刚接触深度学习那会儿，最头疼的不是模型本身，而是环境问题。装框架、配 Python 版本、处理 CUDA 和 cuDNN 的兼容性，就花掉好几天。后来因为项目需要，我试着在 MATLAB 里跑 LeNet 结构，才发现它把深度学习工具箱做成了“开箱即用”的程度：一条命令加载数据，一条命令搭网络，一条命令训练。没有包管理地狱，没有版本冲突，GPU 支持也是自动检测的。
这对初步学习的人来说简直是救命级别的体验。你可以把精力全部集中在理解卷积、池化、全连接这些核心概念上，而不是浪费时间跟编译器较劲。
1.2 MATLAB 深度学习工具箱到底给了你什么
MATLAB 的深度学习工具箱（Deep Learning Toolbox）提供了从数据到部署的完整链路。常用模块有这几个：
- 图像数据存储（
imageDatastore）：自动读取文件夹下的图片，并按子文件夹名打标签； - 网络层库：卷积层、池化层、全连接层、归一化层、激活函数层等，都是现成的；
- 训练函数（
trainNetwork）：封装了前向传播、反向传播、梯度更新全流程； - 可视化工具：训练曲线、混淆矩阵、网络结构图都是一行命令的事。
我做过的某图像处理 Demo，从原始图片到训练完成，一个脚本全搞定，中间没有离开 MATLAB 环境，这对快速验证想法非常重要。
1.3 选简单结构而不是复杂模型的理由
网上很多教程一上来就是 ResNet、EfficientNet，结构复杂、参数巨大，初学者看了只会觉得深度学习是高不可攀的。我写这篇文章刻意用最简单的卷积网络：两个卷积块加一个全连接层。原因很简单：复杂模型的核心公式其实和简单模型一模一样，你只要把简单结构吃透，再去看复杂网络，不过是在基础结构上做堆叠和优化。用最小可行结构跑通全流程，建立对 CNN 的直觉，比硬啃大模型有用得多。
2. 卷积神经网络到底在算什么：用生活类比拆解核心原理
2.1 一个图像输入是怎么被“看懂”的
假设你有一张 28×28 的灰度手写数字图片。在计算机眼里，它就是一个 28×28×1 的矩阵，每个数值代表该像素点的亮度，0 是黑色，255 是白色。
CNN 做的事，就是在这个矩阵上不断“扫描局部区域”，提取有判别力的模式：边缘、拐角、弧线，再到更抽象的形状组合。你可以把卷积核想象成一个手电筒，它一次只照亮一小块区域，然后把这一小块的亮度信息浓缩成一个数值，在整张图上滑动一遍之后，得到一张新的“特征图”。
这个过程就像小时候玩过的“找不同”：你一点一点对比局部，而不是一眼看全图。卷积核就是你的注意力窗口。
2.2 卷积层、池化层、全连接层各司其职
我们把网络拆成四个“工作岗位”来看：
- 卷积层：负责提取局部特征。一个 3×3 的卷积核，就是关注每个像素周围 3×3 邻域内的信息；
- 批量归一化层：把每层的数据分布拉回一个合适的范围。没有它，网络训练时数值很容易失控；
- 池化层：做信息压缩。常见的最大池化，是在 2×2 窗口里取最大值，相当于把图像缩小一半，同时保留最显著的特征；
- 全连接层：把前面提取到的特征“摊平”，和分类目标做映射。可以理解为把特征向量和类别得分之间建立线性关系。
我习惯把前两部分称为“特征提取器”，把全连接层称为“分类头”。这种划分模式几乎是所有 CNN 的通用结构，包括很多工业级网络。
2.3 参数总量与感受野：为什么一个 3×3 卷积就够了
一个 3×3 卷积核，输入通道数为 C，输出通道数为 K，它的参数量是 3×3×C×K，和输入图像尺寸没关系。这意味着不管图片是 28×28 还是 224×224，卷积层的参数规模都不变，这也是 CNN 比全连接网络更适合图像的重要原因。
另一个核心概念是感受野：堆叠两个 3×3 卷积，等效于一个 5×5 卷积的感受野，但参数量更少、非线性更强。所以现代网络几乎都用小卷积核堆深度，而不是用一个大卷积核一把抓。
用一张图来理解手动卷积的整个过程（假设输入是一个 4×4 矩阵，卷积核是 2×2，步长 1）：
input = [1 2 3 4; 5 6 7 8; 9 10 11 12; 13 14 15 16]; kernel = [1 0; 0 -1]; % 输出尺寸 = (4 - 2)/1 + 1 = 3，得到 3×3 输出核心思想就是：对应位置相乘后求和，然后滑动窗口。这个逻辑在 MATLAB 里可以手动写一个小循环验证，真正理解它之后，再去看convolution2dLayer就不会觉得它是黑盒了。
3. 先搭骨架：一个能直接跑通的 CNN 结构设计
3.1 网络整体结构一览
这里我们搭一个针对 28×28 灰度图、10 分类任务的网络。结构如下：
| 序号 | 层类型 | 参数 | 输出尺寸 |
|---|---|---|---|
| 1 | 图像输入 | 28×28×1 | 28×28×1 |
| 2 | 卷积 | 3×3，8 个滤波器 | 28×28×8 |
| 3 | 批量归一化 | - | 28×28×8 |
| 4 | ReLU | - | 28×28×8 |
| 5 | 最大池化 | 2×2，步长 2 | 14×14×8 |
| 6 | 卷积 | 3×3，16 个滤波器 | 14×14×16 |
| 7 | 批量归一化 | - | 14×14×16 |
| 8 | ReLU | - | 14×14×16 |
| 9 | 最大池化 | 2×2，步长 2 | 7×7×16 |
| 10 | 全连接 | 10 | 1×1×10 |
| 11 | Softmax | - | 1×1×10 |
| 12 | 分类输出 | - | - |
第一层卷积保持空间尺寸不变，主要通过 padding 实现；池化层负责降采样。到最后一层池化结束后，特征图变成 7×7×16，展平后就是 7×7×16=784 个特征值，交给全连接层做分类。
3.2 结构代码与逐层解读
直接用数组方式定义网络结构：
layers = [ imageInputLayer([28 28 1], 'Name', 'input') convolution2dLayer(3, 8, 'Padding', 'same', 'Name', 'conv1') batchNormalizationLayer('Name', 'bn1') reluLayer('Name', 'relu1') maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool1') convolution2dLayer(3, 16, 'Padding', 'same', 'Name', 'conv2') batchNormalizationLayer('Name', 'bn2') reluLayer('Name', 'relu2') maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool2') fullyConnectedLayer(10, 'Name', 'fc1') softmaxLayer('Name', 'softmax') classificationLayer('Name', 'output') ];几点说明：
imageInputLayer([28 28 1])匹配灰度图像；convolution2dLayer(3, 8, 'Padding', 'same')用 3×3 卷积核，输出 8 个特征图，padding 为 same 保持尺寸；maxPooling2dLayer(2, 'Stride', 2)是最常用的降采样方式，核大小 2×2，每次移动 2 格；- 最后一层用
classificationLayer，配合训练时传入的标签，自动计算交叉熵损失，不需要手动定义损失函数。
如果你希望有一个更清晰的结构图，可以用layerGraph(layers)包装，再用analyzeNetwork(layers)查看可视化的网络结构和参数数量。
3.3 关于输入尺寸和通道数的一次性排查
很多初学者在这里会踩坑。常见的错误是：输入层写[28 28 3]，但数据是灰度图；或者全连接层的输入维度不对，导致训练报错。
我建议的做法是：在搭建网络后立刻执行analyzeNetwork(layers)，它会自动校验各层输出的尺寸是否匹配。只要全连接层的输入维度等于上一层的输出维度，就不会出现维度不匹配的问题。
还有一点：灰度图其实是单通道，不是“没有通道”。在矩阵层面，它是 [高 宽 1]，不是 [高 宽]，这个 NumPy 和 MATLAB 是一样的逻辑。
4. 数据准备：从一堆图片到可训练的样本集
4.1 目录组织与 imageDatastore 加载
MATLAB 的imageDatastore有一个很方便的约定：把每一类图片放在一个子文件夹里，文件夹名就是标签。比如你有一个手写数字数据集的目录：
data/ digit_0/ digit_1/ ... digit_9/然后用一行代码加载：
imds = imageDatastore('data', ... 'IncludeSubfolders', true, ... 'LabelSource', 'foldernames');这时候imds里已经包含了所有图片路径和自动生成的分类标签。可以用countEachLabel(imds)查看每个类别的样本数量，确保类别分布没有严重失衡。
4.2 划分训练集验证集
用小数据集训练时，建议留出一部分数据做验证，判断模型是欠拟合还是过拟合。用splitEachLabel按比例划分：
[imdsTrain, imdsValidation] = splitEachLabel(imds, 0.8, 'randomized');这里 0.8 表示 80% 的数据作为训练集，代码会自动保证每个类别里都按这个比例抽取，不会出现某一类全跑进验证集的情况。
4.3 数据增强与真实的图像分类问题
如果样本量不大，可以在训练时用augmentedImageDatastore做随机增强，比如随机平移、翻转、缩放。增强不是造假数据，而是让模型对位置变化、形态变化更鲁棒，同时也能缓解过拟合。
imageSize = [28 28 1]; augTrain = augmentedImageDatastore(imageSize, imdsTrain, ... 'RandXTranslation', [-3 3], ... 'RandYTranslation', [-3 3]);如果你什么都不设置，至少也要用augmentedImageDatastore(imageSize, imdsTrain)把图片统一缩放到网络输入尺寸，这个步骤不能省。
5. 训练全流程：参数选择、跑通训练与结果评估
5.1 训练选项到底怎么设
训练选项用trainingOptions设置，这是初学者最容易随便填的地方，也是影响结果最大的地方之一。我给出一份实测下来比较稳的参数：
options = trainingOptions('sgdm', ... 'InitialLearnRate', 0.01, ... 'MaxEpochs', 20, ... 'MiniBatchSize', 64, ... 'ValidationData', augmentedImageDatastore(imageSize, imdsValidation), ... 'ValidationFrequency', 20, ... 'Shuffle', 'every-epoch', ... 'Plots', 'training-progress', ... 'Verbose', true);关于几个关键参数的取舍：
- 求解器选
sgdm：带动量的随机梯度下降，收敛快、不容易震荡，适合中小规模数据集； - 初始学习率 0.01：对这个小型网络来说是个稳妥起点。学习率太大会导致损失变成 NaN，太小则收敛缓慢；
- MiniBatchSize 64：一次喂 64 张图。如果你的显卡显存不够，可以降到 32 或 16；
- MaxEpochs 20：对整个数据集过 20 遍。对小网络来说，20 轮基本能看到收敛趋势；
- ValidationFrequency 20：每迭代 20 次做一次验证，这样可以监控训练过程中是否出现过拟合。
注意：
ValidationData也要经过augmentedImageDatastore统一尺寸，不要直接传原始 imds，否则图片尺寸不一致会报错。
5.2 训练日志怎么看：损失下降了不代表就万事大吉
训练开始后，MATLAB 会弹出训练进度图，有两条核心曲线：训练损失（Training Loss）和验证准确率（Validation Accuracy）。
我的判断经验是这样：
- 训练损失稳步下降，验证准确率同步上升：健康状态，继续等；
- 训练损失下降，验证准确率停滞不前：开始过拟合，考虑增强数据、加 Dropout、减小网络容量；
- 训练损失一开始就是 NaN：学习率太大，调小到 0.001 试试；
- 损失下降很慢：学习率偏小，或者网络表达能力不够，把卷积层的滤波器数量翻倍再试。
一个很容易被忽略的细节：训练曲线是经过平滑的，所以看起来是平滑下降的曲线。如果你开Verbose，每轮迭代会打印真实损失值，那才是真实的波动情况。
5.3 评估：准确率、混淆矩阵与错误样本分析
训练完成后，用测试集评估：
YPred = classify(net, augmentedImageDatastore(imageSize, imdsTest)); YTest = imdsTest.Labels; accuracy = mean(YPred == YTest); confusionchart(YTest, YPred);准确率是整体指标，但混淆矩阵才是定位问题的关键工具。比如数字 4 和 9 经常互相误判，说明网络没能学到足够的细节差异；这时候你可以增加第二个卷积块的滤波器数量，或者在数据增强里加入小幅旋转，帮助模型学到更鲁棒的特征。
另外，强烈建议把错误样本的图片也显示出来：
idxError = find(YPred ~= YTest); for i = 1:min(9, numel(idxError)) subplot(3,3,i); imshow(readimage(imdsTest, idxError(i))); title(sprintf('真实: %s, 预测: %s', ... string(YTest(idxError(i))), string(YPred(idxError(i))))); end看错误样本比看准确率有用得多。你会直观看到哪些图片“人类都难认”，哪些是模型自己没学好。
6. 常见问题与排查技巧实录
6.1 六个高频报错与解决思路
| 报错现象 | 可能原因 | 解决办法 |
|---|---|---|
| 维度不匹配错误 | 输入层尺寸和图片尺寸不一致 | 用augmentedImageDatastore统一尺寸，用analyzeNetwork检查网络 |
| 训练损失为 NaN | 学习率过大 | 调小InitialLearnRate到 0.001 |
| 标签必须为分类变量 | 标签类型不对 | 用categorical(imds.Labels)转换 |
| GPU 显存不足 | MiniBatchSize 太大或图片太大 | 降低 MiniBatchSize，改用 CPU 训练 |
| 验证准确率很低但训练准确率高 | 过拟合 | 加数据增强、加 Dropout、减少全连接层参数 |
| 加载数据非常慢 | 小文件数量太多 | 先压缩图片尺寸，用Tall数组或预处理缓存 |
6.2 训练不收敛的排查路线图
如果训练集上的损失也不下降，按这个顺序排查：
- 确认数据增强后图片可视化正常，没有全黑或者全白的坏图；
- 把学习率调到 0.001，排除学习率过大问题；
- 缩小网络结构到只剩一个卷积块加一个全连接层，看能不能在少量数据上过拟合；
- 如果小结构也训不动，大概率是数据本身的问题，而不是网络的问题。
这个“先最小化、再逐步加复杂度”的排查思路，是很多深度学习项目调试的通用方法论，能帮你把问题定位到具体环节。
6.3 我踩过的几个隐蔽的坑
第一个坑是验证集和测试集混用。有人把验证集当测试集反复调参，最后报告准确率虚高。正确做法是：训练过程中只接触训练集和验证集，最终效果用独立的测试集评估一次。
第二个坑是灰度图没有除以 255。虽然imageInputLayer默认会对输入做归一化，但如果你用自定义数据管道，建议显式标准化，避免数值范围过大影响收敛。
第三个坑是文件夹里混入了非图片文件。imageDatastore读到无法识别的文件会直接报错，之前我在某项目中踩过一次，排错排了半天才发现有个.tmp文件混在图片文件夹里。处理办法是加载之前先检查文件夹，或者写入过滤逻辑。
第四个坑是类别顺序问题。classificationLayer要求标签用categorical类型，如果你的标签顺序和网络输出顺序不一致，混淆矩阵看起来就会很怪。用confusionchart之前看一眼标签类别顺序，能省不少事。
前阵子帮某实验室调试一个图像分类项目，他们用 MATLAB 搭了一个跟我上面结构类似的 CNN，数据是几百张工业零件照片。一开始验证准确率卡在 82% 左右上不去，我增加了一个卷积块并加入随机旋转增强，最终稳定在 94% 左右。整个过程没有换语言、没有换框架，还是在 MATLAB 环境里完成，这让我更确信：选工具不是追新，而是看它能不能帮你快速闭环。
最后分享一个实用小技巧：训练完的网络可以直接用exportNetworkToONNX导出为 ONNX 格式，这样后续如果要部署到其他平台，不需要在 MATLAB 里重新训练，模型可以被其他推理引擎加载。另外，如果你想快速验证网络结构改动的影响，建议写一个可配置的脚本模板，把滤波器数量、层数、学习率都做成变量，这样每次调参只需要改参数文件，不用频繁改网络定义代码。这种“脚本模板化”的习惯，能让你在实验迭代中节省大量时间。
