matlab中有大量與神經網絡相關的app,庫函數，...,可以很方便地進行神經網絡相關方面的學習和應用。采用app進行可視化操作，上手比較快，但是這樣往往忽視了對神經網絡本質的理解，難以根據實際應用場景合理調整神經網絡結構以及其他各個超參數，所以當對神經網絡有了一定了解之后，可以選擇采用matlab神經網絡庫函數進行處理。目前matlab里面常用的簡單的神經網路庫函數有newff和patternnet，其中newff函數可設置的參數比較多，但是它似乎更適合於處理回歸類問題(當然分類問題也可以轉化成回歸類問題進行處理)，它的損失函數好像不能設置為crossentropy函數？也不能采用softmax函數作為激活函數？(不知道是真的不支持這個設置，還是我沒理解清楚，畢竟我只是一個神經網絡的門外漢)所以對分類問題的支持並不是很全面。而patternnet函數似乎是專門為分類問題而設置的，直接通過該函數手動設置的參數比較少(只有神經網絡層數，模型訓練方法和模型的損失函數)，它默認的損失函數就是crossentropy函數，且要求輸入的標簽必須是one-hot編碼的形式，根據其輸出結果中各個類別的概率和加起來恆等於1，似乎可以推斷出它的輸出層的激活函數是softmax。patternnet返回訓練得到的神經網絡結構體，這個結構體包含的信息很豐富，不僅可以通過該結構體詳細了解所采用的神經網絡的各個詳細信息，而且可以通過它設置一些patternnet函數接口所不能直接設置的參數，比如設置各層的激活函數。該結構體的信息如下圖所示
以下對這個結構體內的某些信息進行解釋說明：
name:這個表示網絡的名稱，這僅僅用於顯示，可以手動修改成任意名稱，如net.name='gggg'；
numInputs:這個表示的是網絡的輸入數據集數，注意它並不是表示網絡輸入樣本的特征維數。這個參數一般設置為1；
numLayers:這個參數表示網絡的層數，不過這個網絡層數應該是不包括輸入層，這個參數是可以手動進行修改的，不過修改這個參數會對后續所有的權值、偏置等造成很大的影響，所以這個參數一般不進行修改；
numWeightElements:這個參數表示這個網絡所有的權值和偏置值的數目，設網絡從輸入層到輸出層的維數分別為
，那么這個參數的值可以計算為
；
biasConnect: 表示某一層是否有偏置值，是一個Nx1的矩陣，N表示網絡層數(不包括輸入層);
inputConnect:表示某一層是否有與輸入層連接的權值，也是NxnumInputs的矩陣；
layerConnect:表示某一層是否有來自其他層的權值，表示為NxN維矩陣;
outputConnect:表示某一層是否產生輸出,Nx1矩陣;
inputs:表示輸入的一些配置，它包括以下很多內容，其中i的取值最大為numInputs，這個cell里面的詳細內容有需要的時候再去了解；
layers:這個參數給出了每一層(不包括輸入層)的各項設置參數，具體的參數如下圖所示
這里面確實給出了很多有用的信息，比如說它可以查看每一層所用的transfer function,如可以通過net.layers{1}.transferFcn查看第一個隱層的transfer function(通過查看該參數可知patternnet函數隱層默認的transfer function 是'tansig'，輸出層默認的transfer function 是'softmax')，也可以通過net.layers{i}.transferFcn='xxx'將第i層的transfer function設置成xxxx函數；
outputs：給出了與輸出層相關的一些信息，具體信息如下圖所示
biases:這個參數給出了每層偏置相關的一些信息，具體信息如下圖所示
inputWeights:其實不是很清楚這個參數的具體含義是什么，這個weights到底指的是什么weight？它包含以下具體信息，其中i表示網絡第i層，j表示第j個網絡輸入數據集(與numInputs對應)
layerWeights：這個應該是指兩層之間的權值的相關信息，具體信息如下圖，其中i,j分別表示網絡的第i層和第j層;
function模塊包含的一系列參數在實際應用中設置得比較頻繁，這里面的參數和方法針對的是整個網絡，而不是針對網絡的某部分結構，比如若設置net.trainFcn='trainscg'表示的是將整個網絡參數訓練的方法設置為scg算法，而不是某一層權值的訓練設置為scg算法。這個模塊包含的功能比較雜也比較強大，比如可以通過net.divideParam.trainRatio=0.7,....,分別設置訓練集，驗證集和測試集的比例；比如可以通過net.performFcn='mse'，設置網絡的損失函數；比如可以設置訓練的步長，迭代次數、允許誤差等；比如可以可視化網絡各種性能,ROC曲線，訓練誤差，模糊矩陣等。總之這個模塊里面的參數和方法有時間需要好好研究。
IW，LW和b里面保存的是網絡訓練得到的最終的權值和偏置值。
最后methods模塊下面的內容其實沒有太多需要注意的地方，所以這邊就不多講。
需要注意的是要利用patternnet函數訓練得到的模型進行預測只需要采用如下格式進行:net(inputdata)。
注：某一天發現matlab里面patternnet函數的幫助文檔后面有一些推薦的閱讀材料，如下圖
這里面有對上述結構體各個信息的詳細解釋。