创建、配置和初始化多层浅层神经网络

本主题介绍了典型的多层浅网络工作流程的一部分。有关更多信息和其他步骤，请参阅多层浅神经网络和背部训练．

收集数据后，训练网络的下一步是创建网络对象。这个函数feedforwardnet创建多层前馈网络。如果没有输入参数调用此函数，则会创建尚未配置的默认网络对象。然后可以配置生成的网络配置命令。

以该文件为例bodyfat_dataset.mat包含预定义的输入和目标向量集。输入向量定义了关于人物物理属性的数据，目标值定义人民的百分比。使用以下命令加载数据：

加载bodyfat_dataset.

加载此文件将创建两个变量。输入矩阵BodyfatInpuls.由252个专栏向量为13个物理属性变量，有252个不同的人。目标矩阵bodyfatTargets由相应的252个体脂百分比组成。

下一步是创建网络。下面是对feedforwardnet创建一个两层网络，隐藏层中有10个神经元。(在配置步骤中，将输出层的神经元数量设置为1，即每个目标向量中元素的数量。)

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

可以提供可选的参数feedforwardnet．例如，第一个参数是一个数组，其中包含每个隐藏层中的神经元数量。(默认设置是10，这意味着一个隐藏层有10个神经元。一个隐藏层通常产生优秀的结果，但如果一个隐藏层的结果不充分，你可能想尝试两个隐藏层。增加隐层神经元的数量会增加网络的功率，但需要更多的计算，而且更有可能产生过拟合。)第二个参数包含要使用的训练函数的名称。如果不提供参数，则默认层数为2，默认隐层神经元数为10，默认训练函数为Trainlm.．隐藏图层的默认传输函数是田樱输出层的默认值是purelin．

的配置命令配置网络对象，并初始化网络的权重和偏差;因此，网络已准备好进行培训。有时您可能想要重新初始化权重，或执行自定义初始化。初始化权重（init）解释初始化过程的详细信息。您也可以跳过配置步骤，直接进行网络培训。的火车命令将自动配置网络并初始化权重。

网= init(净);