函数名称：cnnsetup
输入参数：net，待设置的卷积神经网络；x，训练样本；y，训练样本对应标签；
输出参数：net，初始化完成的卷积神经网络
主要功能：对CNN的结构进行初始化
算法流程：1）
注意事项：
1）isOctave这个语句是为了抛出一个程序在Octave平台上运行时的一个BUG，在matlab平台上可以直接注释掉
2）net.layers中有五个struct类型的元素，实际上就表示CNN共有五层，这里范围的是5
function net = cnnsetup(net, x, y)
assert(~isOctave() || compare_versions(OCTAVE_VERSION,'3.8.0', '>='), ['Octave 3.8.0 or greater is required for CNNs as there is a bug in convolution in previous versions. See http://savannah.gnu.org/bugs/?39314. Your version is 'myOctaveVersion]);
inputmaps = 1;
%初始化网络输入层数为1层
主要功能：得到输入图像的行数和列数
注意事项：1）B=squeeze(A) 返回和矩阵A相同元素但所有单一维都移除的矩阵B，单一维是满足size(A,dim)=1的维。
train_x中图像的存放方式是三维的reshape(train_x',28,28,60000)，前面两维表示图像的行与列，
第三维就表示有多少个图像。这样squeeze(x(:, :, 1))就相当于取第一个图像样本后，再把第三维
移除，就变成了28x28的矩阵，也就是得到一幅图像，再size一下就得到了训练样本图像的行数与列数了
mapsize = size(squeeze(x(:, :, 1)));
%%%%%%%%%%%%%%%%%%%%下面通过传入net这个结构体来逐层构建CNN网络%%%%%%%%%%%%%%%%%%%%
for l = 1 : numel(net.layers) %对于每一层
if strcmp(net.layers{l}.type, 's') %如果当前层是下采样层
主要功能：获取下采样之后特征map的尺寸
注意事项：1）subsampling层的mapsize，最开始mapsize是每张图的大小28*28
这里除以scale=2，就是pooling之后图的大小，pooling域之间没有重叠，所以pooling后的图像为14*14
注意这里的右边的mapsize保存的都是上一层每张特征map的大小，它会随着循环进行不断更新
mapsize = mapsize / net.layers{l}.scale;
assert(all(floor(mapsize)==mapsize), ['Layer ' num2str(l) ' size must be integer. Actual: ' num2str(mapsize)]);
for j = 1 : inputmaps %对于上一层的每个特征图
net.layers{l}.b{j} = 0; %将偏置初始化为零
end
end
if strcmp(net.layers{l}.type, 'c') %如果当前层是卷基层
主要功能：获取卷积后的特征map尺寸以及当前层待学习的卷积核的参数数量
注意事项：1）旧的mapsize保存的是上一层的特征map的大小，那么如果卷积核的移动步长是1，那用
kernelsize*kernelsize大小的卷积核卷积上一层的特征map后，得到的新的map的大小就是下面这样
2）fan_out代表该层需要学习的参数个数。每张特征map是一个(后层特征图数量)*(用来卷积的patch图的大小)
因为是通过用一个核窗口在上一个特征map层中移动（核窗口每次移动1个像素），遍历上一个特征map
层的每个神经元。核窗口由kernelsize*kernelsize个元素组成，每个元素是一个**的权值，所以
就有kernelsize*kernelsize个需要学习的权值，再加一个偏置值。另外，由于是权值共享，也就是
说同一个特征map层是用同一个具有相同权值元素的kernelsize*kernelsize的核窗口去感受输入上一
个特征map层的每个神经元得到的，所以同一个特征map，它的权值是一样的，共享的，权值只取决于
核窗口。然后，不同的特征map提取输入上一个特征map层不同的特征，所以采用的核窗口不一样，也
就是权值不一样，所以outputmaps个特征map就有（kernelsize*kernelsize+1）* outputmaps那么多的权值了
但这里fan_out只保存卷积核的权值W，偏置b在下面**保存
mapsize = mapsize - net.layers{l}.kernelsize + 1;
fan_out = net.layers{l}.outputmaps * net.layers{l}.kernelsize ^ 2;
for j = 1 : net.layers{l}.outputmaps %对于卷积层的每一个输出map
主要功能：获取卷积层与前一层输出map之间需要链接的参数链个数
注意事项：1）fan_out保存的是对于上一层的一张特征map，我在这一层需要对这一张特征map提取outputmaps种特征，
提取每种特征用到的卷积核不同，所以fan_out保存的是这一层输出新的特征需要学习的参数个数
而，fan_in保存的是，我在这一层，要连接到上一层中所有的特征map，然后用fan_out保存的提取特征
的权值来提取他们的特征。也即是对于每一个当前层特征图，有多少个参数链到前层
fan_in = inputmaps * net.layers{l}.kernelsize ^ 2;
for i = 1 : inputmaps %对于上一层的每一个输出特征map（本层的输入map）
主要功能：随机初始化卷积核的权值，再将偏置均初始化为零
注意事项：
1）随机初始化权值，也就是共有outputmaps个卷积核，对上层的每个特征map，都需要用这么多个卷积核去卷积提取特征。
rand(n)是产生n×n的 0-1之间均匀取值的数值的矩阵，再减去0.5就相当于产生-0.5到0.5之间的随机数
再 *2 就放大到 [-1, 1]。然后再乘以后面那一数，why？
反正就是将卷积核每个元素初始化为[-sqrt(6 / (fan_in + fan_out)), sqrt(6 / (fan_in + fan_out))]
之间的随机数。因为这里是权值共享的，也就是对于一张特征map，所有感受野位置的卷积核都是一样的
所以只需要保存的是 inputmaps * outputmaps 个卷积核。
2）为什么这里是inputmaps * outputmaps个卷积核？
net.layers{l}.k{i}{j} = (rand(net.layers{l}.kernelsize) - 0.5) * 2 * sqrt(6 / (fan_in + fan_out));
end
net.layers{l}.b{j} = 0;
end
inputmaps = net.layers{l}.outputmaps; %在卷积层会更新每层网络的输出map数量
end
end
主要功能：初始化最后一层，也就是输出层的参数值
算法流程：
1）fvnum 是输出层的前面一层的神经元个数。这一层的上一层是经过pooling后的层，包含有inputmaps个特征map。每个特征map的大小是mapsize，所以，该层的神经元个数是 inputmaps * （每个特征map的大小）
2）onum 是标签的个数，也就是输出层神经元的个数。你要分多少个类，自然就有多少个输出神经元
3）net.ffb和net.ffW为最后一层（全连接层）的偏置和权重
fvnum = prod(mapsize) * inputmaps;
onum = size(y, 1);
net.ffb = zeros(onum, 1);
net.ffW = (rand(onum, fvnum) - 0.5) * 2 * sqrt(6 / (onum + fvnum));
end
