MATLAB实现CNN手写数字识别：从LeNet-5到99%准确率实战

简介：基于MATLAB实现卷积神经网络（CNN）手写数字识别的完整源码，面向机器学习入门者、计算机视觉初学者以及需要在MATLAB环境中快速搭建图像分类模型的开发者。以MNIST数据集为对象，通过一个可直接运行的m脚本串联数据导入、标签分离、像素归一化与增强、卷积层/池化层/全连接层定义、损失函数与优化器配置、训练及验证等关键环节，并附带测试集预测与准确率评估思路，可帮助读者理解CNN在图像识别中的实际工作流程。压缩包内仅含1个m脚本文件，大小2KB，内容紧凑便于逐行研读和二次修改。目前已有323人学习下载，适合作为课程设计、毕业设计或深度学习入门练手参考，也可在此基础上继续尝试dropout、早停、迁移学习等改进策略。

1. 一张 28×28 的灰度图，凭什么让 CNN 在 MATLAB 里达到 99% 准确率

手写数字识别是卷积神经网络入门绕不开的样例，MNIST 数据集里的每张图只有 28×28 像素、灰度单通道，但就是这样一个不起眼的小图，把“卷积层如何提取局部特征”“池化如何压缩空间信息”“全连接层如何做分类”这几件事讲得明明白白。很多工程师第一次接触 CNN 都在 Python 生态里完成，但在工业界和科研院所，MATLAB 依然是算法验证的高频工具，Deep Learning Toolbox 提供了从数据加载到训练再到代码生成的完整链路，不必依赖第三方框架就能跑通 LeNet-5 级别的模型。

这篇文章从零开始，用 MATLAB 实现一个能够识别 MNIST 手写数字的 CNN，覆盖离线数据集读取、网络结构设计、训练参数调整、结果验证和部署导出五个环节。标题里出现的 “CNN_MINIST_matlab.rar” 这类资源包，本质也就是把这几部分代码和训练好的网络打包分发。与其去解压别人整理好的模型，不如自己把网络搭起来，这样换数据集、改结构、调参时心里才有底。

2. MNIST 数据集与 MATLAB 环境准备：从加载本地数据到设计首个 CNN

2.1 为什么用 MATLAB 而不是直接抄 Python 版 LeNet-5

Python 生态里做 MNIST 分类有太多现成代码，PyTorch 和 TensorFlow 都内置了数据集下载接口。但实际工程里有两个常见情况：一是公司内网隔离，在线下载 MNIST 经常遇到连接失败，热搜里 “torchvision 下载 mnist 会 404” 就是这个问题的真实写照；二是信号处理、通信、控制类项目本身强依赖 MATLAB，算法同事用 MATLAB 完成预处理和仿真，识别模块最好也留在同一套工具链里。Deep Learning Toolbox 在 R2017b 之后提供了完整的 layer 定义和 trainNetwork 接口，用起来和 Python 框架的模式非常接近：先定义网络层，再喂入数据，最后看训练曲线。

2.2 用 imageDatastore 管理本地 MNIST 数据，绕开在线下载问题

数据准备是整个流程里最容易出错也最容易被忽略的一步。MNIST 官方提供的是 IDX 二进制格式，而 MATLAB 的 imageDatastore 本身不认 IDX，常见做法是先把四张 IDX 文件转换成按类别分目录存放的图片，或者直接读取别人转换好的 .mat 文件。如果手头拿到的是一个 .rar 压缩包，大概率里面已经分好了 train 和 test 的图片目录，用 imageDatastore 就能直接接管。

% 假设数据目录结构为： % data/train/0, data/train/1, ..., data/train/9 % data/test/0, data/test/1, ..., data/test/9 trainFolder = fullfile(pwd, 'data', 'train'); imdsTrain = imageDatastore(trainFolder, ... 'IncludeSubfolders', true, ... 'LabelSource', 'foldernames'); testFolder = fullfile(pwd, 'data', 'test'); imdsTest = imageDatastore(testFolder, ... 'IncludeSubfolders', true, ... 'LabelSource', 'foldernames');

这段代码的关键在LabelSource参数，它让 datastore 自动把子目录名当作标签，数字 0 到 9 的文件夹名会被映射成 categorical 类型标签，训练时不需要手动维护一份图像路径和标签的对照表。IncludeSubfolders必须设为 true，否则 datastore 只扫描顶层目录，一张图都读不到。如果数据是以 .mat 文件存储的，可以用load读出 images 和 labels 两个变量，再手动构造 augmentedImageDatastore 或 arrayDatastore，两种方式对后续训练流程没有本质区别。

2.3 训练集与验证集划分及图像预处理

MNIST 官方训练集有 60000 张图，测试集有 10000 张图，但训练过程里最好从训练集中再切出一部分做验证，用来观察模型有没有过拟合。splitEachLabel是处理这种划分的最直接手段，它能保证每个类别被抽出的比例一致，避免随机抽样导致某个数字在验证集中偏多或偏少。

imdsTrainPart = splitEachLabel(imdsTrain, 0.9, 'randomized'); imdsVal = splitEachLabel(imdsTrain, 0.1, 'randomized');

这里有个容易踩的坑：splitEachLabel会修改传入的 datastore，如果先执行第一次切分，再对原变量执行第二次，第二次切分作用的是剩下的 10% 数据，而不是重新从全量中抽样。所以上面代码里先用imdsTrain切出 90% 作为最终训练集，再对原imdsTrain切 10%，两个变量互不冲突。MATLAB 对输入图像默认不做尺寸归一化，MNIST 图片本身是 28×28 灰度图，通道数为 1，网络第一层直接写imageInputLayer([28 28 1])即可。

3. 设计 CNN 数字识别网络：从 LeNet-5 到 MATLAB 的 layer 数组

3.1 LeNet-5 结构与 MNIST 尺寸的匹配关系

LeNet-5 是 1998 年 Yann LeCun 提出的卷积网络，MNIST 就是它的成名数据集。经典结构依次是：卷积层（6 个 5×5 核）、平均池化、卷积层（16 个 5×5 核）、平均池化、三个全连接层。原始 LeNet-5 的输入是 32×32，MNIST 原图只有 28×28，所以经典做法是在进入网络前把图补零到 32×32，或者在网络第一层使用 Padding 保持空间尺寸。

网络结构越深，特征图尺寸和通道数要按规律变化。MNIST 这类简单任务不需要 ResNet 级别的深度，3 到 4 个卷积层就足以让测试准确率超过 99%。设计原则是前几层用卷积加池化逐步压缩空间分辨率、扩大通道数，最后一层全连接输出 10 个类别得分。

下面是 LeNet-5 的核心参数对照表，方便在 MATLAB 里逐个核对：

这个结构让每个数字图片经过两次降采样，最终把空间信息压缩成 120 维特征，再映射到 10 个数字类别。对 MNIST 来说，把 C3 的卷积核数量从 16 改成 32、甚至把 C1 的 6 改成 16，都能换来准确率提升，代价是训练时间变长。在 MATLAB 里验证结构最快捷的方法是打印网络结构图，用analyzeNetwork可以直接看到每一层的尺寸，比手算可靠得多。

3.2 在 MATLAB 里用 layer 数组定义卷积神经网络

Deep Learning Toolbox 的核心 API 之一是layers数组，按从输入到输出的顺序把所有层拼起来，trainNetwork会按顺序执行前向传播和反向传播。和 Python 框架相比，MATLAB 不需要写 forward 函数，配置网络更像填表。

% 定义 CNN 层数组，适配 28×28 单通道输入 layers = [ imageInputLayer([28 28 1], 'Name', 'input', 'Normalization', 'none') convolution2dLayer(3, 16, 'Padding', 'same', 'Name', 'conv1') batchNormalizationLayer('Name', 'bn1') reluLayer('Name', 'relu1') maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool1') convolution2dLayer(3, 32, 'Padding', 'same', 'Name', 'conv2') batchNormalizationLayer('Name', 'bn2') reluLayer('Name', 'relu2') maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool2') fullyConnectedLayer(84, 'Name', 'fc1') reluLayer('Name', 'relu3') fullyConnectedLayer(10, 'Name', 'fc2') softmaxLayer('Name', 'softmax') classificationLayer('Name', 'output') ];

这个网络不是 LeNet-5 的逐层复制，而是按现代 CNN 的常见微调策略改出来的轻量变体：3×3 卷积核代替 5×5，卷积后紧跟 batchNorm，激活函数用 ReLU 代替 tanh，池化用最大池化代替平均池化。选 3×3 的原因是两层 3×3 堆叠等价于一层 5×5 的感受野，但参数量更少、非线性更强，这是如今卷积网络设计的默认选择。Padding='same'让卷积不改变特征图尺寸，池化层负责把尺寸减半，经过两个池化层后 28×28 变成 7×7，全连接层接在展平后的 784 维向量上。

参数初始化不需要手动设置，MATLAB 默认使用 He 初始化，配合 batchNorm 可以保证深层网络在前几次迭代不会梯度爆炸。如果去掉 batchNorm，学习率要保守地设为 1e-3 以下；有了它，可以放宽到 1e-2。classificationLayer是整个数组的收尾，它要求上一层的输出是类别得分加 softmax，二者缺一不可。

3.3 训练超参数如何设置：学习率、批次大小与轮数

网络定义只是骨架，超参数决定了它能不能收敛。用trainingOptions统一管理训练配置，这是 MATLAB 训练 CNN 的标准入口。

options = trainingOptions('adam', ... 'InitialLearnRate', 0.001, ... 'MiniBatchSize', 128, ... 'MaxEpochs', 8, ... 'ValidationData', imdsVal, ... 'ValidationFrequency', 30, ... 'Shuffle', 'every-epoch', ... 'Plots', 'training-progress', ... 'Verbose', true);

参数表如下，实际调参时按这个优先级逐个试：

ValidationData复用上一节切出来的 imdsVal。MNIST 分类是相对简单的任务，如果训练到第 8 轮验证准确率还在 99% 以下，先检查数据是否有归一化问题，再考虑加深网络，不要盲目加卷积核数量。

4. 数字识别训练全流程：损失曲线、混淆矩阵与常见失败原因

4.1 训练与验证的完整调用逻辑

trainNetwork 是训练入口，传入 datastore、layers 和 options，返回训练好的网络对象 net。训练过程中Plots参数会生成动态曲线，展示训练损失和验证准确率，这是判断收敛的最直观依据。

net = trainNetwork(imdsTrainPart, layers, options);

训练完成后用测试集评估，test 数据在导入时从未参与训练，只用来评估模型的泛化能力。

predLabels = classify(net, imdsTest); testAccuracy = mean(predLabels == imdsTest.Labels); fprintf('测试准确率: %.2f%%\n', testAccuracy * 100);

classify返回每个样本的预测标签，与真实标签逐位比较后求平均就是准确率。对 MNIST 来说，一个设计合理的 CNN 在 10000 张测试图上的准确率应该在 98.5% 以上，改成上述带 batchNorm 的结构后通常能到 99.1% 到 99.3% 之间。如果怎么调都到不了 98%，先怀疑数据预处理，再怀疑网络结构。

4.2 用混淆矩阵定位识别错误的数字

准确率只给一个数字，看不出模型在哪类样本上犯错。混淆矩阵把 10 个类别的预测结果展开成 10×10 矩阵，行代表真实标签，列代表预测标签，对角线是正确分类数，非对角线是混淆情况。

cm = confusionchart(imdsTest.Labels, predLabels); cm.RowSummary = 'row-normalized'; cm.ColumnSummary = 'column-normalized';

row-normalized让每一行的数值变成百分比，可以直观看出某个数字有多少比例被误判成了其他数字。MNIST 里最常见的混淆对是 4 和 9、7 和 2、3 和 8，原因是这些数字的局部笔画在低分辨率下形态接近。如果混淆矩阵里某一行的准确率特别低，说明网络没有抓到该数字的判别特征，可以单独抽出这批样本可视化观察，而不是盲目加层。

可视化错误样本是排查模型问题的标准手段，常见做法是把预测错误的图片和真实标签、预测标签并排画出来。

misIdx = find(predLabels ~= imdsTest.Labels); numPlot = min(length(misIdx), 12); figure; for i = 1:numPlot idx = misIdx(i); subplot(3, 4, i); img = readimage(imdsTest, idx); imshow(img); title(sprintf('真实: %s, 预测: %s', ... string(imdsTest.Labels(idx)), string(predLabels(idx)))); end

readimage按序号读取 datastore 中的图像，读取后可以正常显示和预处理。看这些错误样本时重点关注两类情况：一类是手写潦草到人眼也无法辨认的，这类错误属于数据本身歧义，模型再怎么调也救不回来；另一类是模型自信地预测错误且实际特征与预测数字明显不符，这类问题属于特征提取层的表达力不足，说明网络太浅或者卷积核数量不够，需要加深加宽而不是继续调学习率。

4.3 损失不下降和过拟合的排查路径

训练曲线是调参的第一情报来源，两条常见曲线对应两类问题。训练损失和验证准确率都不动，大概率是学习率太低或者梯度计算有问题；训练损失下降但验证准确率在某个点后停滞甚至下降，这是过拟合信号，要增加数据增强或减小模型容量。

第一个排查对象是数据格式。classify对输入图像的通道数敏感，MNIST 是灰度单通道，卷积网络输入层写成 3 通道会直接报维度错误，但即使网络能跑，灰度图被imresize成三通道时数值也不会变差，瓶颈往往在Normalization上。'Normalization', 'none'意味着图像按原始像素范围 0 到 255 进入网络，卷积输出经过 batchNorm 后数值范围被拉回合理区间，这就是为什么加 batchNorm 之后可以不用手工归一化像素值。如果去掉 batchNorm，就必须在输入层设置'Normalization', 'zerocenter'或提前对数据做均值除法，否则梯度容易出现饱和。

第二个排查对象是 Minibatch 大小和 Shuffle 策略。MiniBatchSize设得太大容易让收敛变慢，设太小会让梯度噪声变大，128 在 MNIST 上是一个稳妥值。每条数据训练前打乱顺序也重要，MATLAB 默认数据在训练前会打乱一次，但如果Shuffle设为'never'，模型每个 epoch 看到的数据顺序完全一致，收敛路径会偏向固定顺序产生的梯度累积。按上面配置的'every-epoch'是最常见做法。

第三个问题是池化层和卷积核数量的平衡。MNIST 只用了两次下采样，特征图从 28×28 降到 7×7，此时仍有足够空间信息供全连接层分类。如果把第二个卷积层的 32 个核改成 64 个，参数数量翻倍，训练和推理时间明显上升，准确率提升却可能不到 0.1%，这种边际收益递减在数字识别任务里非常典型。

5. 部署与进阶：把 MATLAB 的 CNN 导出为可复用数字识别模块

训练好的net对象只是工作区里的一个变量，要做成可复用的识别模块，需要把它保存成文件。MATLAB 提供了三种典型导出方式，各有适用场景：save保存完整模型到 .mat 文件，适合在 MATLAB 环境内继续使用；exportONNXNetwork导出 ONNX 格式，方便转到 PyTorch 或 TensorRT 推理；codegen配合 GPU Coder 生成 C++ 或 CUDA 代码，适合部署到嵌入式设备和服务器。

% 保存模型，后续可直接 load 回来使用 save('mnist_cnn_net.mat', 'net'); % 导出 ONNX，供其他框架加载 exportONNXNetwork(net, 'mnist_cnn.onnx');

读取 .mat 文件时直接load即可恢复完整网络结构。ONNX 导出是跨框架协作的常用路径，导出的模型包含权重和网络拓扑，其他框架用 ONNX Runtime 加载后即可推理。部署到 C++ 端时，用 GPU Coder 生成代码前要保证之前定义网络时每一层都使用'Name'参数指定了明确的层名，否则代码生成阶段会因为层名称冲突而报错。

这里给出一个部署前的推理验证技巧：用单张图片测试完整链路，确保输入尺寸和网络输入层严格一致。很多时候模型已经有了，但部署后识别率骤降，问题出在推理时忘了把图像 resize 到 28×28。MATLAB 的imresize默认用双三次插值，训练时 datastore 读入的原图是 28×28，部署时如果输入一张手机拍摄的 300×300 图片，直接丢给网络会报维度错误或得到奇怪输出。

% 单张图片识别完整链路 img = imread('digit.jpg'); if size(img, 3) == 3 img = rgb2gray(img); end img = imresize(img, [28 28]); label = classify(net, img); disp(label);

classify可以接受单张图片，但要求尺寸匹配。上面这段代码补上了灰度转换和尺寸缩放，是部署前最容易遗漏的部分。对生产级识别来说，倒置、旋转、局部遮挡是真实场景中的常见变量，仅靠 MNIST 训练集很难覆盖，这也正是为什么很多数字识别项目在 MNIST 达标后，还需要用augmentedImageDatastore对训练集做随机仿射变换来增强鲁棒性——把数据增强加入训练流程的那一步，往往才是准确率从实验室水平走向可用水平的真正分水岭。

本文还有配套的精品资源，点击获取