文档帮助中心

本页对应的英文页面已更新，但尚未翻译。若要查看最新内容，请点击此处访问英文页面。

模式识别

训练神经网络以从示例输入及其分类进行归纳，并训练自编码器

App

神经网络模式识别

Classify data by training a two-layer feed-forward network

类

Autoencoder Autoencoder class

函数

交互和可视化工具

`nnstart`	Neural network getting started GUI
`view`	View shallow neural network

自编码器

`trainAutoencoder`	Train an autoencoder
`trainSoftmaxLayer`	Train a softmax layer for classification
`decode`	Decode encoded data
`encode`	Encode input data
`predict`	Reconstruct the inputs using trained autoencoder
`stack`	Stack encoders from several autoencoders together
`network`	Convert `Autoencoder` object into `network` object

模式识别与学习向量量化

`patternnet`	Generate pattern recognition network
`lvqnet`	Learning vector quantization neural network

训练选项和网络性能

`train`	Train shallow neural network
`trainlm`	Levenberg-Marquardt backpropagation
`trainbr`	Bayesian regularization backpropagation
`trainscg`	Scaled conjugate gradient backpropagation
`trainrp`	Resilient backpropagation
`mse`	Mean squared normalized error performance function
`regression`	(Not recommended) Perform linear regression of shallow network outputs on targets
`roc`	Receiver operating characteristic
`plotconfusion`	Plot classification confusion matrix
`ploterrhist`	Plot error histogram
`plotperform`	Plot network performance
`plotregression`	Plot linear regression
`plotroc`	Plot receiver operating characteristic
`plottrainstate`	Plot training state values
`crossentropy`	Neural network performance
`genFunction`	Generate MATLAB function for simulating shallow neural network

示例和操作指南

基本设计

使用浅层神经网络对模式进行分类

使用神经网络进行分类。

Deploy Shallow Neural Network Functions

Simulate and deploy trained shallow neural networks using MATLAB^® tools.

Deploy Training of Shallow Neural Networks

Learn how to deploy training of shallow neural networks.

训练可扩展性和效率

使用并行和 GPU 计算的神经网络

使用并行和分布式计算，可以加快神经网络训练和仿真以及处理大量数据的速度。

Automatically Save Checkpoints During Neural Network Training

Save intermediate results to protect the value of long training runs.

最优解

选择神经网络输入输出处理函数

对输入和目标进行预处理，以提高训练效率。

配置浅层神经网络输入和输出

了解如何在训练前使用 configure 函数手动配置网络。

划分数据以实现最优神经网络训练

使用函数将数据分为训练集、验证集和测试集。

选择多层神经网络训练函数

不同问题类型的训练算法比较。

提高浅层神经网络泛化能力，避免过拟合

了解提高泛化能力和防止过拟合的方法。

Train Neural Networks with Error Weights

Learn how to use error weighting when training neural networks.

Normalize Errors of Multiple Outputs

Learn how to fit output elements with different ranges of values.

分类

螃蟹分类

此示例说明如何使用神经网络作为分类器来根据螃蟹的物理尺寸识别螃蟹的性别。

葡萄酒分类

此示例说明模式识别神经网络如何根据葡萄酒的化学特性按酒庄对葡萄酒进行分类。

癌症检测

此示例说明如何训练一个神经网络来使用蛋白质表达谱上的质谱数据检测癌症。

字符识别

此示例说明如何训练神经网络以执行简单的字符识别。

自编码器

训练堆叠自编码器进行图像分类

此示例说明如何训练堆叠自编码器以对数字图像进行分类。

概念

神经网络设计的工作流

了解神经网络设计过程中的主要步骤。

Four Levels of Neural Network Design

Learn the different levels of using neural network functionality.

多层浅层神经网络与反向传播训练

设计用于函数拟合和模式识别的多层浅层前馈神经网络的工作流。

多层浅层神经网络架构

了解多层浅层神经网络的架构。

Understanding Shallow Network Data Structures

Learn how the format of input data structures affects the simulation of networks.

浅层神经网络的样本数据集

试验浅层神经网络时要使用的样本数据集列表。

神经网络对象属性

了解定义网络基本特征的属性。

Neural Network Subobject Properties

Learn properties that define network details such as inputs, layers, outputs, targets, biases, and weights.

Deep Learning Toolbox 文档

支持

Introducing Deep Learning with MATLAB

Introducing Deep Learning with MATLAB