不使用transferFcn在MATLAB中写一个自定义激活函数训练的神经网络

可以通过在MATLAB中定义自定义函数来实现不使用transferFcn的神经网络训练。下面是一个简单的例子，演示如何使用自定义函数训练一个简单的前馈神经网络。

假设我们要训练一个具有3个输入神经元、10个隐藏神经元和1个输出神经元的前馈神经网络，其中隐藏层的激活函数为自定义的MyActivation函数，输出层的激活函数为purelin函数。我们可以按照以下步骤实现：

1. 定义自定义的激活函数MyActivation

function y = MyActivation(x)
    y = max(0, x); % 这里使用ReLU函数作为自定义的激活函数
end

在上述代码中，我们定义了一个名为MyActivation的自定义激活函数，它使用ReLU函数作为激活函数。

2. 创建神经网络对象

net = feedforwardnet([10]);

在上述代码中，我们创建了一个具有10个隐藏神经元的前馈神经网络。

3. 设置神经网络属性

net.divideFcn = '';
net.trainFcn = 'traingd';
net.layers{1}.transferFcn = 'MyActivation';
net.layers{2}.transferFcn = 'purelin';

在上述代码中，我们设置了神经网络的属性。我们将divideFcn属性设置为空，表示不使用数据分割函数；trainFcn属性设置为traingd，表示使用梯度下降算法进行训练；第一层的transferFcn属性设置为MyActivation，表示使用自定义的激活函数；第二层的transferFcn属性设置为purelin，表示使用线性激活函数。

4. 准备训练数据

x = rand(3, 1000); % 生成1000个3维的随机输入样本
y = rand(1, 1000); % 生成1000个随机输出样本

在上述代码中，我们生成了1000个3维的随机输入样本和1000个随机输出样本。

5. 训练神经网络

net = train(net, x, y);

在上述代码中，我们使用train函数对神经网络进行训练，输入样本为x，输出样本为y。

6. 使用神经网络进行预测

y_pred = net(x);

在上述代码中，我们使用训练好的神经网络对输入样本进行预测，得到输出结果y_pred。

以上就是一个简单的使用自定义激活函数训练神经网络的例子。需要注意的是，自定义激活函数的性能很大程度上取决于具体问题和数据，需要进行充分的实验和调参。