对于解决图像降噪的问题，稀疏分解方案已经逐步过时，最新的解决方案在深度学习的神经网络。在神经网络技术飞速演进过程中，卷积神经网络（CNN）以其优秀的训练效率、较快的训练速度和精准的识别能力，成为了研究的热点。

01 选择Matlab

实现CNN有很多成熟方案，主流方案包括了采用Python的Tensorflow框架，用Matlab的MatConvNet包等等。

在老老实实学习了一段时间CNN晦涩的原理，以及眼花缭乱的网络架构后，心里还是一点没有底。

古人云：“光说不练假把式，只练不打无用功”。

接下来还得真正跑一下CNN程序，自己玩转代码才算真正能玩CNN。

最开始选择的是Python，因为这是开源阵营中处理数据的第一选择啊。而且对于搞数据分析的我，对Python语法也比较熟悉的。但在尝试运行大神论文《Beyond a Gaussian Denoiser_Residual Learning of Deep CNN for Image Denoising》的Python源码过程中泪奔了。

首先是运行库的煎熬。为了让程序在Tensorflow下跑起来，要进行N多尝试来找到合适的Tensorflow版本，中间还要安装各种依赖包，整个过程就是一场噩梦。

好容易装完了所有的包，然后又遇到了第二道坎——运行效率低。开始摆弄了许久GPU运行程序，以失败告终，那就用CPU跑吧。参数调得很低：就跑一个迭代，一次就训练10张图片，结果运算一次要半小时。眼泪又开始打转了。

还有一道坎是调试程序。由于大神的程序读起来费劲，光看结果不能领悟精髓啊，这就需要debug看看过程结果来猜测意图。可是Spyder也不给力，调试反应迟钝，按急了还陷入假死状态。彻底崩溃了。

最后我果断投入Matlab的怀抱。虽然它不是开源，但是相比Python减少很多麻烦。具体的安装过程见上篇文章：《玩转卷积神经网络-DnCNN体验之旅》。

02 学习MatConvNet

既然是要搞CNN实战，拿到MatConvNet这个武器后啥都不说了，先把武器说明书搞懂吧。

MatConvNet的代码非常的优雅，主要有四大结构，通过一张结构图来梳理一下思路。

03 学习mnist

《Beyond a Gaussian Denoiser_Residual Learning of Deep CNN for Image Denoising》大神的源码很复杂，训练过程就更复杂。看了程序运行的过程结果，对一些网络结构比如cnn, relu等原理还是心存疑惑。我决心再多跑一些其它程序来练练级。

网上翻来翻去，发现各路神仙写的CNN程序都是天马行空，心想还是从熟悉的地方开始，于是回到了MatConvNet的范例程序。其中mnist算是比较简单的，这是一个识别手写数字图片的程序。就先从这开始吧。先奉上mnist的结构图：

整个程序涉及到两个部分。一是在example这个文件夹里面的前三个文件，运行程序是cnn_mnist_experiments，实现了CNN网络的训练。第四个程序cnn_mnist_test是自己写的，用于测试神经网络识别图片的准确率。二是在example文件夹外面还有cnn_train，vl_simplenn等程序，这些都是供调用的函数，用于实现神经网络训练的方法。

为了搞懂mnist，首先要把程序中每一段代码含义过一遍，这个大家可以找百度。然后就是跑cnn_mnist_experiments，结果是这样的：

还有自己编一个测试程序来看看模型的准确率，比如从训练集的70000张图片随便选10000张，再用最后的模型net-epoch-20.mat来识别图片，准确率达到了97.12%，还是很厉害了。

mnist使用的是经典的LeNet网络。整个训练过程的网络结构为8层：卷积层C1-池化层P1-卷积层C2-池化层P2-卷积层C3-ReLu层-全连接FC层-softmax层。网络结构就像这样：

作者还给出了一种新方案，在第1,4,7层插入BN（批量归一化）层，整个训练过程的网络结构为11层：卷积层C1-BN层B1-池化层P1-卷积层C2-BN层B2-池化层P2-卷积层C3- BN层B3--ReLu层-全连接FC层-softmax层。BN的作用简单说可以让程序提高学习率、加快训练速度，更加健壮。加了BN之后效果确实要好一些。

为了体验训练过程，我通过debug看到了网络结构每一层的训练结果：

第0层 原始图片，图片像这样：

，尺寸28*28

第1层 conv，图片像这样：

，尺寸24*24

第2层 bnorm，图片像这样：

，尺寸24*24

第3层 pool，图片像这样：

，尺寸12*12

……

第6层 pool，图片像这样：

尺寸4*4

第7层 conv，图片看不见了，尺寸1*1

后面都是1*1，看不见图片了。

从训练过程的图像来看，就是一个逐步抽样、细化特征的过程。

04 下一步计划

作为最火的AI技术基础，深度学习有着广阔的应用前景，神经网络将持续成为未来的研究方向。

经过近一段时间对CNN的折腾，感觉有点入门了，下一步我计划：

一是深入体会网络结构设计的原理，为自己设计网络结构做准备。

二是加入其它数据源再来运行程序，看过程结果，在实践中体会网络结构中各层的作用。

三是修改网络结构，自己设计网络结构，体会各层网络参数的原理，做到不仅要知其然，还要知其所以然。争取做出创新。

四是学习更多的案例，比如cifar，imagenet等。

如果喜欢请点赞，如想获取大神文章《Beyond a Gaussian Denoiser_Residual Learning of Deep CNN for Image Denoising》文章，请联系我获取。