matlab中trainNetwork()函数具体用法

trainNetwork() 函数是 MATLAB 中用于训练深度神经网络的函数，其基本语法如下：

net = trainNetwork(XTrain, YTrain, layers, options)

其中，XTrain 和 YTrain 分别是输入数据和目标数据，layers 是网络架构，options 是训练选项。具体用法如下：

1. 输入数据和目标数据

XTrain 和 YTrain 分别是输入数据和目标数据，都应该是大小为 numFeatures-by-numObservations 的矩阵，其中 numFeatures 是特征数量，numObservations 是样本数量。如果输入数据是图像，则 numFeatures 应该是图像像素数，numObservations 应该是图像数量。

2. 网络架构

网络架构由一系列层组成，每一层代表一个神经网络层。可以使用 MATLAB 中的 layer 函数创建各种类型的层，例如 fullyConnectedLayer、convolution2dLayer、maxPooling2dLayer 等。将这些层按照顺序组合起来，形成一个完整的神经网络架构。

3. 训练选项

训练选项用于控制训练过程中的各种参数，例如学习率、最大迭代次数、批量大小等。可以使用 trainingOptions 函数创建训练选项，然后将其作为 trainNetwork() 函数的第四个参数传入。

例如，以下代码展示了如何使用 trainNetwork() 函数训练一个简单的全连接神经网络：

% 加载数据集
load iris_dataset
XTrain = meas';
YTrain = onehotencode(grp');

% 定义网络架构
layers = [
    fullyConnectedLayer(10)
    reluLayer
    fullyConnectedLayer(3)
    softmaxLayer
    classificationLayer];

% 定义训练选项
options = trainingOptions('adam', ...
    'MaxEpochs', 50, ...
    'MiniBatchSize', 5, ...
    'InitialLearnRate', 0.001);

% 训练网络
net = trainNetwork(XTrain, YTrain, layers, options);

上述代码中，我们首先加载了鸢尾花数据集，并将输入数据和目标数据分别存储在 XTrain 和 YTrain 中。然后，我们定义了一个包含两个全连接层的神经网络架构，其中第一个全连接层有 10 个神经元，第二个全连接层有 3 个神经元。最后，我们使用 adam 优化器、50 个迭代次数、批量大小为 5、学习率为 0.001 的训练选项，对网络进行训练。