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以适应数据集。

创建、配置和初始化多层浅层神经网络

制备多层浅层神经网络。

身体脂肪估计

这个例子说明了一个函数拟合神经网络如何根据解剖测量来估计体脂百分比。

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近似或模式识别。

浅神经网络训练后性能分析

分析网络性能，调整培训流程、网络架构或数据。

部署浅神经网络功能

使用MATLAB仿真和部署训练过的浅神经网络^®工具。

浅神经网络的部署训练

学习如何部署浅神经网络的训练。

培训的可扩展性和效率

并行GPU计算的浅层神经网络

使用并行和分布式计算加速神经网络训练和模拟，并处理大数据。

在神经网络训练期间自动保存检查点

保存中间结果以保护长时间训练跑步的价值。

优化神经网络训练速度和记忆

使神经网络训练更有效。

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，以更有效的培训。

配置浅神经网络输入输出

学习如何手动配置网络之前培训使用配置函数。

最优神经网络训练的数据分割

使用函数将数据划分为训练、验证和测试集。

选择一个多层神经网络训练函数

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。

多个输出的归一化错误

学习如何使用不同范围的值来适应输出元素。