Matlab代码：神经网络中以负对数似然函数为损失函数

在MATLAB中，神经网络通常使用负对数似然（Negative Log-Likelihood，NLL）作为损失函数来训练分类模型，特别是当处理监督学习任务，比如二分类或多分类问题时。NLL损失函数衡量了预测概率分布与实际类别标签之间的差异。

以下是一个简单的例子，展示如何在MATLAB的Neural Network Toolbox中设置一个全连接层网络，并使用交叉熵作为负对数似然损失：

% 导入所需库
addpath('toolbox')
nn = feedforwardnet(10); % 创建一个包含10个隐藏单元的网络

% 定义输入数据和标签
inputs = ...; % 输入特征矩阵
targets = categorical(...); % 类别标签，可以是one-hot编码

% 设置网络结构和损失函数
options = trainingOptions('adam', ... % 使用Adam优化算法
                          'MaxEpochs', 50, ... % 迭代次数
                          'MiniBatchSize', 64, ... % 批量大小
                          'Plots', 'training-progress', ... % 显示训练进度图
                          'LossFunction', 'crossentropy'); % 使用交叉熵损失

% 训练网络
[net, tr] = trainNetwork(inputs, targets, nn, options);

% 负对数似然损失计算
loss = crossentropy(tr.Y, net.predict(tr.X)); % 使用验证集评估损失

在这个例子中，`trainNetwork`函数内部会自动处理负对数似然的计算。