Matlab2017b中增加了神经网络工具箱Neural Network Toolbox，许多深度学习网络用一两个命令就可以实现，大大简化了程序实现工作。

1. 使用trainNetwork训练CNN并分类

%exam1.m    load digitTrainSet;    %创建CNN网络    layers = [imageInputLayer([28 28 1],'Normalization','none');                        convolution2dLayer(5,20);                        reluLayer();                        maxPooling2dLayer(2,'Stride',2);                        convolution2dLayer(5,16);                        reluLayer();                        maxPooling2dLayer(2,'Stride',2);                        fullyConnectedLayer(256);                        reluLayer();                        fullyConnectedLayer(10);                        softmaxLayer();                        classificationLayer()];    %设置网络训练方式    opts = trainingOptions('sgdm');    %训练网络    net = trainNetwork(XTrain,TTrain,layers,opts);    load digitTestSet;    %对测试数据进行分类    [YTest,scores] = classify(net,XTest);    accuracy = sum(YTest == TTest)/numel(TTest);

该示例使用trainNetwork训练CNN网络，该函数用法为：

trainedNet = trainNetwork(X,Y,layers,options)

X为输入数据，Y为类别标记，categorical类型。

2.使用trainAutoencoder训练自编码器

%exam2.m    [X,T] = wine_dataset;    hiddenSize = 10;    %训练第一层自编码器    autoenc1 = trainAutoencoder(X,hiddenSize,...            'L2WeightRegularization',0.001,...            'SparsityRegularization',4,...            'SparsityProportion',0.05,...            'DecoderTransferFunction','purelin');    %使用自编码器对输入数据进行编码    features1 = encode(autoenc1,X);    hiddenSize = 10;    %对第一层编码器输出再训练自编码器    autoenc2 = trainAutoencoder(features1,hiddenSize,...            'L2WeightRegularization',0.001,...            'SparsityRegularization',4,...            'SparsityProportion',0.05,...            'DecoderTransferFunction','purelin',...            'ScaleData',false);    %对第一层编码器输出进行编码    features2 = encode(autoenc2,features1);    %对第二层编码器输出训练Softmax层    softnet = trainSoftmaxLayer(features2,T,'LossFunction','crossentropy');    %构建深度网络    deepnet = stack(autoenc1,autoenc2,softnet);    %训练深度网络    deepnet = train(deepnet,X,T);    %使用训练出的网络计算输入数据属于各类别的概率类型    wine_type = deepnet(X);    plotconfusion(T,wine_type);

trainAutoencoder的用法为：

autoenc = trainAutoencoder(X,hiddenSize)

hiddensize表示隐含层大小，返回值autoenc是类型为Autoencoder的超类。其属性值如下图所示：

3. 使用patternnet函数

%exam3.m    clear;    [x,t] = iris_dataset;    %创建模式识别网络    net = patternnet(1000);    %训练网络    net = train(net,x,t);    %显示网络结构    view(net)    %计算x属于各类的概率    y = net(x);    %计算网络性能    perf = perform(net,t,y);    %得出类别标签    classes = vec2ind(y);

patternnet是神经网络工具箱的自带函数，用于创建模式识别网络，用法为：

patternnet(hiddenSizes,trainFcn,performFcn)

trainFcn表示训练函数，默认值为‘trainscg’，performFcn表示损失函数，默认值为‘crossentropy’。