基本设计

用浅层神经网络拟合数据

训练一个浅层神经网络来适应一个数据集。

创建、配置和初始化多层浅层神经网络

制作多层浅层神经网络。

身体脂肪估计

这个例子说明了如何一个函数拟合神经网络可以估计身体脂肪百分比的基础上解剖测量。

多层浅层神经网络的训练与应用

训练并使用多层浅层网络进行函数逼近或模式识别。

分析训练后的浅神经网络性能

分析网络性能，调整培训流程、网络架构或数据。

部署浅层神经网络函数

利用MATLAB仿真和部署训练好的浅层神经网络^®工具。

浅神经网络部署训练

学习如何部署浅神经网络的训练。

培训的可扩展性和效率

基于并行和GPU计算的浅层神经网络

采用并行和分布式计算，加快神经网络训练和模拟，处理大数据。

神经网络训练过程中自动保存检查点

保存中间结果以保护长距离训练的价值。

优化神经网络训练速度和记忆力

使神经网络训练更高效。

最优解金宝搏官方网站

选择神经网络输入输出处理函数

预处理输入和目标，以获得更有效的训练。

配置浅神经网络输入输出

学习如何手动配置网络前培训使用配置函数。

为最优神经网络训练划分数据

使用函数将数据划分为培训、验证和测试集。

选择一个多层神经网络训练函数

针对不同问题类型的训练算法比较。

改进浅神经网络泛化，避免过拟合

学习改进泛化和防止过拟合的方法。

用误差权值训练神经网络

学习在训练神经网络时如何使用误差加权。

归一化多个输出的错误

学习如何使用不同范围的值来匹配输出元素。