使用表格数据训练神经网络

使用 Statistics and Machine Learning Toolbox 训练分类和回归模型

使用 fitcnet (Statistics and Machine Learning Toolbox) 或 fitrnet (Statistics and Machine Learning Toolbox) 函数分别训练用于表格数据的分类神经网络或回归神经网络，通常这两种方法是最简单的选项。默认情况下，这些函数会训练多层感知器 (MLP) 神经网络。MLP 是一种神经网络，由一系列全连接层组成，这些全连接层之间具有激活层。fitcnet 和 fitcnet 函数使用有限内存的 Broyden–Fletcher–Goldfarb–Shanno (L-BFGS) 求解器拟合模型。该求解器是一个全批量求解器，在单次迭代中处理整个数据集。您可以轻松自定义神经网络架构的各方面，例如设置全连接层的大小和数量。您还可以自定义训练算法，例如设置训练迭代次数。

例如，假设有一个训练数据表 tbl，其目标值位于变量 responseName 中，可以运行以下命令来训练分类神经网络。

Mdl = fitcnet(tbl,responseName);

如果 fitcnet 和 fitrnet 函数未提供您所需的网络架构功能，例如自定义激活函数或具有跳跃连接的神经网络，则您可以使用层数组或 dlnetwork 对象定义神经网络架构。 (自 R2025a 起)以下代码显示了如何指定具有跳跃连接和泄漏 ReLU 层的神经网络。

net = dlnetwork;

layers = [
    featureInputLayer(inputSize)
    fullyConnectedLayer(12)
    leakyReluLayer(Name="lrelu1")

    fullyConnectedLayer(12)

    additionLayer(2,Name="add2")
    leakyReluLayer(Name="lrelu2")

    fullyConnectedLayer(12)
    additionLayer(2,Name="add3")
    leakyReluLayer

    fullyConnectedLayer(outputSize)
    softmaxLayer];

net = addLayers(net,layers);
net = connectLayers(net,"lrelu1","add2/in2");
net = connectLayers(net,"lrelu2","add3/in2");

Mdl = fitcnet(tbl,responseName,Network=net);

有关可用层的列表，请参阅深度学习层列表。如果 Deep Learning Toolbox 未提供您所需的层，您可以定义自己的层。有关详细信息，请参阅定义自定义深度学习层。

如果您通过指定层数组或 dlnetwork 来训练神经网络，则要检查网络架构和可学习参数，因此请将模型转换为 dlnetwork 对象。例如，要查看神经网络架构并检查可学习参数和激活的大小，请运行以下命令。

net = dlnetwork(Mdl);
analyzeNetwork(net);

使用 Deep Learning Toolbox 训练神经网络

layers = [
    featureInputLayer(inputSize)
    fullyConnectedLayer(16)
    reluLayer
    fullyConnectedLayer(32)
    reluLayer
    fullyConnectedLayer(outputSize)
    softmaxLayer];

options = trainingOptions("adam");

net = trainnet(tbl,layers,"crossentropy",options);

epoch = 0;
iteration = 0;
while epoch < numEpochs
    epoch = epoch + 1;

    reset(mbq);

    while hasdata(mbq)
        iteration = iteration + 1;
        [X,T] = next(mbq);

        [loss,gradients] = dlfeval(lossFcn,net,X,T);

        net = myupdate(net,gradients);
    end
end

function Y = model(parameters,X)
   ...
end