基于MATLAB的深度学习工具箱（推荐2018b以上），实现CNN回归。网上的例子比较少，这里简单的说一下传统的多输入单输出怎么做。手把手的教（PS:MATLAB自带一个回归教程，竟然还是有学生不知道对照着写）1、首先加载数据与数据集划分

在MATLAB的深度学习工具箱（例如2018b及以上版本）中，实现卷积神经网络（CNN）回归是一个相对直接的过程。以下是手把手教你如何完成这个任务的基本步骤：

1. **环境准备**：
- 首先，确保你已经安装了MATLAB并激活了Deep Learning Toolbox。如果没有，你需要通过命令`ver('deepLearning')`检查是否有此功能。

2. **加载数据**：
使用`readtable`或`csvread`等函数读取你的数据文件（假设它是CSV格式）。如果数据较大，可以考虑使用`readtable('file.csv', 'ReadVariableNames', true)`来只加载表头。

   data = readtable('your_data_file.csv');

3. **数据预处理**：
- 将分类变量转换为数值，如one-hot编码或标签向量。
- 根据需求对连续特征进行标准化或归一化。
- 将数据划分为训练集和测试集。使用`cvpartition`创建分隔器，如：

     c = cvpartition(size(data, 1), 'HoldOut', 0.2); % 80% for training, 20% for testing
     trainData = data(training(c), :);
     testData = data(test(c), :);

4. **构建CNN模型**：
- 使用`layers`函数创建一个包含卷积层、池化层和全连接层的结构。例如：

     layers = [
         imageInputLayer([inputSize inputSize numChannels]) % 输入层，根据数据调整大小
         convolution2dLayer(filterSize, numFilters) % 卷积层
         reluLayer % 激活函数
         maxPooling2dLayer(poolSize) % 池化层
         fullyConnectedLayer(numClasses) % 全连接层（对于回归，设numClasses=1）
         regressionLayer % 回归层
     ];

5. **设置模型选项**：
- 初始化权重和偏差，选择优化器，设置损失函数（对于回归通常用均方误差MSE）：

     options = trainingOptions('adam', ... % 使用Adam优化器
                              'MaxEpochs', epochs, ... % 训练轮数
                              'MiniBatchSize', miniBatchSize, ...
                              'Plots', 'training-progress'); % 显示训练进度图

6. **训练模型**：

     net = trainNetwork(trainData(:, 1:end-1), trainData(:, end), layers, options);

7. **评估和预测**：
对于测试集进行预测，并计算性能指标（如MSE）：

     predictedLabels = predict(net, testData(:, 1:end-1));
     loss = loss(net, testData(:, end)); % 计算MSE