创建、配置和初始化多层浅层神经网络

本主题介绍典型多层浅层网络工作流的一部分。有关详细信息和其他步骤，请参阅多层浅层神经网络与反向传播训练。

在采集数据后，训练网络的下一步是创建网络对象。函数 feedforwardnet 创建一个多层前馈网络。如果在不带输入参量的情况下调用此函数，则会创建一个尚未进行配置的默认网络对象。然后可以使用 configure 命令配置生成的网络。

例如，文件 bodyfat_dataset.mat 包含一组预定义的输入向量和目标向量。输入向量定义关于人的身体属性的数据，目标值定义人的身体脂百分比。使用以下命令加载数据：

load bodyfat_dataset

加载该文件会创建两个变量。输入矩阵 bodyfatInputs 由 252 个不同人的 13 个身体属性变量组成的 252 个列向量组成。目标矩阵 bodyfatTargets 由对应的 252 个身体脂百分比组成。

下一步是创建网络。以下对 feedforwardnet 的调用创建一个两层网络，在隐藏层中有 10 个神经元。（在配置步骤中，输出层中的神经元数量设置为 1，即每个目标向量中的元素数。）

net = feedforwardnet;
net = configure(net, bodyfatInputs, bodyfatTargets);

可选参量可提供给 feedforwardnet。例如，第一个参量是包含每个隐藏层中神经元数量的数组。（默认设置为 10，这意味着一个隐藏层有 10 个神经元。一个隐含层通常就能产生很好的效果，但如果一个隐含层的效果不够好，您可以尝试使用两个隐含层。增加隐藏层中神经元的数量可增强网络的能力，但需要更多计算，并且更可能产生过拟合。）第二个参量包含要使用的训练函数的名称。如果没有提供参量，则默认层数为 2，隐藏层中神经元的默认数量为 10，默认训练函数为 trainlm。隐含层的默认传递函数是 tansig，输出层的默认传递函数是 purelin。

configure 命令配置网络对象，它还初始化网络的权重和偏置；因此，网络已准备好接受训练。有时，您可能需要重新初始化权重或执行自定义初始化。初始化权重 (init)说明了初始化过程的细节。您也可以跳过配置步骤，直接开始训练网络。train 命令将自动配置网络并初始化权重。

net = init(net);