MATLAB 神经网络教程：从入门到实践
MATLAB 提供了强大的神经网络工具箱，它极大地简化了神经网络的设计、训练、仿真和应用过程,本教程将围绕以下几个核心部分展开：
（图片来源网络，侵删）
- 核心概念简介：了解神经网络的基本构成。
- 工具箱概览：认识 MATLAB 中神经网络的核心函数和 App。
- 基础教程：一步步构建你的第一个神经网络
- 教程 1：拟合简单的一维函数
- 教程 2：解决经典分类问题 - 鸢尾花
- 进阶应用：图像分类
- 高级主题与最佳实践
- 学习资源推荐
核心概念简介
在开始编码前，我们先快速回顾一下神经网络的基本术语,这有助于你理解后续的操作。
- 神经元：神经网络的基本单元，接收输入，进行加权求和,通过激活函数产生输出。
- 层：神经元的集合，神经网络通常由三层构成：
- 输入层：接收原始数据。
- 隐藏层：进行特征提取和转换,可以有多层。
- 输出层：产生最终的预测结果。
- 权重 和偏置：连接神经元的参数，神经网络的“知识”就存储在这些参数中,训练的过程就是不断调整它们。
- 激活函数：为神经元引入非线性，使得网络能够学习复杂的模式，常用
sigmoid,tanh,ReLU。 - 损失函数：衡量模型预测值与真实值之间差距的函数，训练的目标是最小化损失函数。
- 反向传播：训练神经网络的核心算法，通过计算损失函数对各参数的梯度,来更新权重和偏置。
- 优化器：决定如何根据梯度来更新参数的算法，常用
SGD,Adam,RMSprop。
工具箱概览
MATLAB 神经网络工具箱主要通过两种方式使用：
A. 图形用户界面 App - 最适合初学者
MATLAB 提供了一个名为 Deep Network Designer 的可视化 App，让你可以通过拖拽的方式构建和训练网络,无需编写大量代码。
- 如何打开：在 MATLAB 命令窗口输入
deepNetworkDesigner并回车。 - 优点：
- 直观,所见即所得。
- 自动生成训练代码,方便学习和修改。
- 集成了数据导入、网络构建、训练、分析和部署的全流程。
- 适用场景：快速原型设计、教学、以及不熟悉代码的用户。
B. 命令行函数 - 最灵活和强大
这是专业用户和开发者最常用的方式，它提供了对网络构建和训练的完全控制权,核心函数包括：
（图片来源网络，侵删）
layer：定义网络层。featureInputLayer: 输入层,指定输入数据的大小。fullyConnectedLayer: 全连接层。convolution2dLayer: 二维卷积层（用于图像）。reluLayer: ReLU 激活层。maxPooling2dLayer: 二维最大池化层。fullyConnectedLayer: 输出层,指定类别数。classificationLayer: 分类问题的输出层。regressionLayer: 回归问题的输出层。
layerGraph：将多个层组合成一个有向无环图,构建复杂的网络结构。trainingOptions：配置训练参数，如优化器 ('adam')、学习率 ('InitialLearnRate')、最大训练轮数 ('MaxEpochs')、训练数据划分 ('ValidationData') 等。trainNetwork：核心训练函数，接收网络结构、训练数据和训练选项,开始训练过程。
基础教程：一步步构建你的第一个神经网络
我们将从两个经典的机器学习问题开始：函数拟合（回归）和分类。
教程 1：拟合简单的一维函数 (回归问题)
目标：训练一个神经网络来拟合 y = sin(x) 函数。
步骤：
准备数据
（图片来源网络，侵删）
% 生成数据 x = (0:0.01:2*pi)'; T = sin(x); % 目标值 % 划分训练集和测试集 % 这里我们简单地将一部分数据作为训练，一部分作为验证 percentValidation = 20; % 20% 的数据用于验证 idx = randperm(size(x,1)); numValidation = round(percentValidation/100*size(x,1)); idxTrain = idx(1:end-numValidation); idxValidation = idx(end-numValidation+1:end); xTrain = x(idxTrain,:); TTrain = T(idxTrain,:); xValidation = x(idxValidation,:); TValidation = T(idxValidation,:);
定义网络结构 对于回归问题,我们需要一个回归输出层。
% 定义网络层
layers = [
featureInputLayer(1) % 输入层，1个特征
fullyConnectedLayer(10) % 1个全连接层，10个神经元
reluLayer % ReLU激活函数
fullyConnectedLayer(10) % 第2个全连接层
reluLayer
fullyConnectedLayer(1) % 输出层，1个神经元
regressionLayer % 回归问题的输出层
];
配置训练选项
options = trainingOptions('adam', ...
'InitialLearnRate', 0.005, ...
'MaxEpochs', 200, ...
'MiniBatchSize', 128, ...
'Shuffle', 'every-epoch', ...
'Plots', 'training-progress', ... % 显示训练过程图
'ValidationData', {xValidation, TValidation}, ...
'ValidationFrequency', 30);
训练网络
net = trainNetwork(xTrain, TTrain, layers, options);
运行后，MATLAB 会自动弹出一个窗口,实时显示损失函数和准确率的变化。
进行预测和评估
% 用训练好的网络进行预测
yPred = predict(net, x);
% 绘制结果
figure;
plot(x, T, 'b-', 'LineWidth', 2); hold on;
plot(x, yPred, 'r--', 'LineWidth', 2);
xlabel('x');
ylabel('y');
legend('真实值 sin(x)', '网络预测值');'神经网络函数拟合结果');
grid on;
你会看到红色的虚线（预测值）非常紧密地跟随蓝色的实线（真实值）,说明网络训练成功。
教程 2：解决经典分类问题 - 鸢尾花
目标：根据鸢尾花的花萼和花瓣的长度、宽度,将其分为三个不同的品种。
步骤：
加载和准备数据 MATLAB 自带了鸢尾花数据集。
% 加载数据 load fisheriris % 特征 (4个: 花萼长度/宽度, 花瓣长度/宽度) X = meas; % 标签 (3个品种: setosa, versicolor, virginica) Y = categorical(species); % 划分训练集和测试集 cv = cvpartition(Y, 'HoldOut', 0.2); % 80%训练, 20%测试 XTrain = X(cv.training,:); YTrain = Y(cv.training); XTest = X(cv.test,:); YTest = Y(cv.test);
定义网络结构 对于分类问题,我们需要一个分类输出层。
% 定义网络层
layers = [
featureInputLayer(4) % 输入层，4个特征
fullyConnectedLayer(10) % 1个全连接层
reluLayer
fullyConnectedLayer(10) % 第2个全连接层
reluLayer
fullyConnectedLayer(3) % 输出层，3个类别
classificationLayer % 分类问题的输出层
];
配置训练选项
options = trainingOptions('adam', ...
'InitialLearnRate', 0.001, ...
'MaxEpochs', 100, ...
'MiniBatchSize', 20, ...
'Shuffle', 'every-epoch', ...
'Plots', 'training-progress', ...
'ValidationData', {XTest, YTest}, ...
'ValidationFrequency', 5);
训练网络
net = trainNetwork(XTrain, YTrain, layers, options);
进行预测和评估
% 预测测试集
YPred = classify(net, XTest);
% 计算准确率
accuracy = sum(YPred == YTest) / numel(YTest);
fprintf('测试集准确率: %.2f%%\n', accuracy * 100);
% 混淆矩阵
figure;
confusionchart(YTest, YPred);
你会得到一个很高的准确率（>95%）,并通过混淆矩阵直观地看到分类结果。
进阶应用：图像分类
卷积神经网络是处理图像任务的利器,下面是一个简单的手写数字识别示例。
目标：使用 MNIST 数据集训练一个 CNN 来识别手写数字 (0-9)。
步骤：
加载数据
使用 digitTrainCellArray 函数加载 MNIST 数据。
% 加载数据
[XTrain, YTrain, XTest, YTest] = digitTrainCellArray();
% 数据需要调整为 4D 格式: [高度, 宽度, 通道数, 样本数]
XTrain = cat(4, XTrain{:});
XTest = cat(4, XTest{:});
% 标签需要转换为 one-hot 编码
YTrain = onehotencode(YTrain, 1);
YTest = onehotencode(YTest, 1);
定义 CNN 结构
layers = [
imageInputLayer([28 28 1]) % 28x28 像素，1个通道（灰度图）
% 第一个卷积块
convolution2dLayer(3, 16, 'Padding', 'same')
batchNormalizationLayer
reluLayer
maxPooling2dLayer(2, 'Stride', 2)
% 第二个卷积块
convolution2dLayer(3, 32, 'Padding', 'same')
batchNormalizationLayer
reluLayer
maxPooling2dLayer(2, 'Stride', 2)
% 全连接层
fullyConnectedLayer(10)
softmaxLayer % Softmax激活函数，用于多分类
classificationLayer
];
配置和训练
options = trainingOptions('sgdm', ...
'InitialLearnRate', 0.01, ...
'MaxEpochs', 15, ...
'MiniBatchSize', 128, ...
'Shuffle', 'every-epoch', ...
'Plots', 'training-progress', ...
'ValidationData', {XTest, YTest});
net = trainNetwork(XTrain, YTrain, layers, options);
预测和评估
YPred = classify(net, XTest);
YTestLabels = onehotdecode(YTest, 1:10, 'Classname');
accuracy = sum(YPred == YTestLabels) / numel(YTestLabels);
fprintf('CNN 测试集准确率: %.2f%%\n', accuracy * 100);
这个 CNN 模型的准确率通常会达到 98% 以上。
高级主题与最佳实践
- 数据预处理与增强：
- 归一化：将输入数据缩放到
[0, 1]或[-1, 1]区间，有助于加速收敛。normalize函数。 - 数据增强：通过旋转、平移、缩放、翻转等方式人为扩充训练集，防止过拟合。
imageDataAugmenter和augmentedImageDatastore是关键工具。
- 归一化：将输入数据缩放到
- 迁移学习：利用在大型数据集（如 ImageNet）上预训练好的网络（如 VGG16, ResNet, SqueezeNet），替换掉其最后的几层，用你自己的小数据集进行微调。
alexnet,resnet50等函数可以直接加载预训练模型。 - 超参数调优：学习率、批次大小、网络层数/神经元数等都是超参数，可以使用
bayesopt(贝叶斯优化) 或gridsearch(网格搜索) 等方法自动寻找最优组合。 - 部署：训练好的模型可以通过
exportONNXNetwork或exportNetworkToONNX导出为 ONNX 格式，以便在其他框架中使用；也可以通过codegen生成 C/C++ 或 CUDA 代码,用于嵌入式设备或服务器部署。
学习资源推荐
-
官方文档 (首选)：
- Deep Learning Toolbox - MATLAB：产品主页，链接到所有文档、示例和教程。
- Deep Learning Toolbox Documentation：最权威、最全面的参考资料,务必善用搜索功能。
-
官方示例：
- 在 MATLAB 命令窗口输入
help nnet，或直接在文档中浏览 "Deep Learning Toolbox Examples",有大量从简单到复杂的实例代码。
- 在 MATLAB 命令窗口输入
-
视频教程：
MATLAB 官方 YouTube 频道上有大量关于深度学习的视频教程，搜索 "MATLAB Deep Learning"。
-
社区支持：
- MATLAB Central - Answers：遇到问题时，可以先在这里搜索,或者提问。
希望这份详细的教程能帮助你顺利开启 MATLAB 神经网络的学习之旅！祝你编码愉快！
