相机标定任务总结

Part 1

Part 2

Part 3

mlp网络具体代码如下所示：

 % 定义多层感知机结构
    layers = [
        featureInputLayer(8) % 8个通道，Tobserve的8个玻片数据作为输入
        fullyConnectedLayer(256) % 全连接层
        reluLayer % 激活函数
        fullyConnectedLayer(128)
        reluLayer
        fullyConnectedLayer(64) % 全连接层
        reluLayer
        fullyConnectedLayer(1) % 输出层，预测Tblack
        regressionLayer]; % 使用回归层作为损失计算

    % 设置训练选项，并使用自定义损失函数
    options = trainingOptions('adam', ...
        'MaxEpochs', 200, ...
        'MiniBatchSize', 2000, ...    % 增大Batch Size
        'InitialLearnRate', 1e-5, ...
        'Plots', 'training-progress', ...
        'Verbose', false, ...
        'ExecutionEnvironment', 'gpu'); 

mlp网络中的超参数具体含义如下所示：

1. adam：Adam优化器，一种自适应学习率优化算法。
2. MaxEpochs——200：Epochs是指整个训练数据集通过神经网络的完整次数。此设置为200，意味着训练数据将被用来更新网络权重200次。较多的Epoch通常可以提高模型的性能，但也可能导致过拟合（模型在训练数据上表现很好，在新未见数据上表现较差）。
3. MiniBatchSize——2000：这是每个小批量包含的样本数。小批量是用于每次迭代计算梯度和更新网络权重的。较大的批量大小可以提高训练的稳定性，减少内存消耗的波动，通常也能加快训练程，但可能会影响训练的收敛性能和最终的网络精度。
4. InitialLearnRate’——1e-5：学习率是优化器用来更新权重的步长大小。较小的学习率意味着更新步长较小，收敛到最低损失可能需要更多时间，但有助于模型更精细地调整并可能达到更低的损失值。太大的学习率可能会导致训练过程不稳定。
5. ‘Plots’, ‘training-progress’：这个选项启用了训练过程中的实时绘图，展示如损失和准确率等指标随训练进度的变化情况。这有助于监视训练过程并及时调整训练策略。
6. ‘Verbose’, false：当这个选项设置为false时，训练过程中不会在命令窗口中显示详细的信息（如每个epoch的损失和精度）。这有助于减少日志输出的干扰，尤其是在自动化训练过程中非常有用。
7. ‘ExecutionEnvironment’, ‘gpu’：这指定了训练过程应在哪种硬件上运行。选择’gpu’用于在支持CUDA的NVIDIA GPU上进行训练，这通常比在CPU上运行快得多，特别是对于大型网络和大批量数据。

Part 4