本文介紹軟件中神經(jīng)網(wǎng)絡擬合（ Net ）工具箱的具體使用方法。
在基于的人工神經(jīng)網(wǎng)絡ANN回歸代碼這篇文章中，我們介紹了軟件中神經(jīng)網(wǎng)絡（ANN）的純代碼實現(xiàn)；而在軟件中，其實基于神經(jīng)網(wǎng)絡擬合工具箱，就可以點點鼠標實現(xiàn)神經(jīng)網(wǎng)絡的回歸。本文就對基于這一工具箱實現(xiàn)神經(jīng)網(wǎng)絡回歸的具體方法加以詳細講解。
當然，在首先導入我們的訓練數(shù)據(jù)時，還是需要用到幾行代碼的。不過這里的代碼整體而言也非常簡單，其實就是基于()函數(shù)，讀取存儲于Excel中的數(shù)據(jù)；隨后，將因變量Y與自變量X提取出來備用。這里有一點需要注意：大家的自變量如果有多個（比如我這里就有與兩個自變量），需要將這兩個自變量合并，放在一個變量X中。
clc;
close;
clear all;
point_file="E:/LST/01_Data/Analysis/Point_Field.xlsx";
data_all=readtable(point_file);
data_Y=data_all(:,3);
data_NDVI=data_all(:,4);
data_Soil=data_all(:,5);
Y=table2array(data_Y);
N=table2array(data_NDVI);
S=table2array(data_Soil);
X=[N S];隨后，我們運行這里的代碼。如下圖所示，可以看到我的因變量Y與自變量X都準備完畢了。
接下來，我們在軟件頂部菜單中，依次選擇“APP”→“ Net ”，打開神經(jīng)網(wǎng)絡擬合工具箱。
打開后的界面如下所示。
其中，如果我們點擊上圖左下角的“ Start”選項，就可以來到如下圖所示的“ Start”界面。可以這么理解，“ Start”是中神經(jīng)網(wǎng)絡工具箱的一個整體的開始界面，而我們這里需要用到的神經(jīng)網(wǎng)絡擬合工具箱（ Net ）就是該開始界面下屬的其中一個工具。
言歸正傳，我們再上上圖中點擊“Next”，就可以看到如下所示的數(shù)據(jù)篩選界面。該界面就是我們用來選擇輸入數(shù)據(jù)（自變量）、輸出數(shù)據(jù)（因變量）的地方。而無論是輸入數(shù)據(jù)還是輸出數(shù)據(jù)，可以看到，我們都需要用鼠標在軟件的工作區(qū)中找到對應的變量。這也是為什么在本文一開始，我們需要先執(zhí)行一段代碼，將數(shù)據(jù)從Excel中讀取到中去的原因。
點擊選擇完畢數(shù)據(jù)后，一定注意需要對數(shù)據(jù)的維度進行選擇。換句話說，就是你的輸入與輸出數(shù)據(jù)矩陣中，不同行代表的是不同樣本，還是同一樣本的不同屬性（不同自變量）。
隨后，選擇“Next”神經(jīng)網(wǎng)絡工具箱有哪些，進入驗證集與測試集數(shù)據(jù)的劃分界面。在這個界面中，我們需要對驗證集與測試集數(shù)據(jù)的比例進行劃分（為什么要劃分數(shù)據(jù)這里就不再贅述啦，而且這一個界面的右側也有每一個數(shù)據(jù)集合的作用，大家不理解的話參考一下就明白了）。一般的，在數(shù)據(jù)量比較少的情況下（我記得有說少于一百萬條數(shù)據(jù)，就算數(shù)據(jù)比較少，當然肯定要看大家數(shù)據(jù)的具體情況），我們按照6:2:2的比例進行劃分即可；在數(shù)據(jù)量多的情況下，則可以按照98:1:1的比例來劃分。這里大家就依據(jù)實際情況來劃分即可。
隨后，點擊“Next”，進入神經(jīng)網(wǎng)絡結構配置界面。在神經(jīng)網(wǎng)絡擬合工具箱中，我們僅僅只能對神經(jīng)網(wǎng)絡的隱藏層的神經(jīng)元數(shù)量進行配置，而隱藏層的數(shù)量默認為1層，且還不能修改；而在本文開頭提及的這篇文章中，通過代碼，我們不僅可以對神經(jīng)元數(shù)量進行調(diào)整，還可以配置隱藏層的具體層數(shù)。
這里建議大家先按照默認的神經(jīng)元數(shù)量10進行填寫；等后期運行過模型幾次后，根據(jù)模型的精度與運行時間，再返回這里對神經(jīng)元的數(shù)量進行二次調(diào)整。
隨后，點擊“Next”，就進入神經(jīng)網(wǎng)絡模型的訓練界面了。這里我們可以選擇訓練神經(jīng)網(wǎng)絡的具體算法，但一共僅僅有三個選項，包括-算法、 算法、 算法；同樣是在本文開頭提及的這篇文章中，通過代碼，我們可以選擇的算法就有很多了，有十余種。
這里大家結合每一種算法的具體介紹，依據(jù)自己的數(shù)據(jù)實際情況來選擇即可。不過一般的，應該選擇第一種算法——-算法的場合會多一些。選擇算法完畢后，點擊“Train”就可以開始訓練模型。
模型訓練完畢后，會彈出如下所示的訓練結果窗口。
且在神經(jīng)網(wǎng)絡模型的訓練界面的右側會出現(xiàn)精度評定指標的具體數(shù)值；數(shù)值下方的三個選項可以用來繪制擬合情況圖。
如果對這個模型非常不滿意，就可以多次重復訓練，還可以更改隱藏層神經(jīng)元數(shù)量、訓練算法等進行重新建模。如果對模型大體滿意，點擊“Next”即可進入模型調(diào)整界面。
這個界面可以更方便地進行重復訓練、修改隱藏層神經(jīng)元個數(shù)、擴大或更換數(shù)據(jù)集等，從而完善大家的模型。
如果沒有問題，點擊“Next”即可進入解決方案部署界面（應該是這么翻譯的）。這個界面聽起來高深，其實說簡單點，就是將我們剛剛訓練好的神經(jīng)網(wǎng)絡，以不同的形式來導出。
但我對于我個人而言，這個頁面其實沒有很大的作用——因為這里導出的并不是純粹的神經(jīng)網(wǎng)絡代碼，而是一些和開發(fā)、部署工具有關的函數(shù)或圖表；這里或許對于開發(fā)人員而言比較有用，對于我們這種只是單純想訓練一個神經(jīng)網(wǎng)絡模型的人而言，直接跳過就可以。
隨后，點擊“Next”即可進入神經(jīng)網(wǎng)絡擬合工具箱的最后一個界面——結果保存界面。
這個界面是我們訓練這么久神經(jīng)網(wǎng)絡模型的最終目標。首先，“ ”一欄可以自動生成一個代碼；有了這個代碼，以后我們再想對這個結構的神經(jīng)網(wǎng)絡模型進行訓練，就不用再在神經(jīng)網(wǎng)絡擬合工具箱中點來點去了，直接把新的輸入數(shù)據(jù)、輸出數(shù)據(jù)導入到代碼里，修改代碼中對應的參數(shù)即可。例如，本文開頭提及的這篇文章，其中的代碼其實就是通過這個選項來生成的。
接下來第二個方框“Save Data to ”，是對本次你訓練神經(jīng)網(wǎng)絡模型過程中一些關鍵參數(shù)進行保存的選項。假如大家今后不想用代碼來復現(xiàn)這個神經(jīng)網(wǎng)絡，而是想直接將訓練好的模型保存下來，下一次直接用一兩句代碼調(diào)用它，那就選擇在這里將神經(jīng)網(wǎng)絡模型對象保存下來就好（建議選擇最后一項，即以結構體的格式保存全部的參數(shù)，防止之后需要某個參數(shù)了結果發(fā)現(xiàn)沒保存）。
這里我認為有必要說明一下保存神經(jīng)網(wǎng)絡代碼和神經(jīng)網(wǎng)絡參數(shù)的區(qū)別。如果我們在“ ”一欄保存了神經(jīng)網(wǎng)絡的代碼，那么今后我們調(diào)用這個代碼，并不是直接調(diào)用我們本次訓練好的神經(jīng)網(wǎng)絡模型，而是再用不同的數(shù)據(jù)神經(jīng)網(wǎng)絡工具箱有哪些，不通過這個神經(jīng)網(wǎng)絡擬合工具箱而是通過修改代碼的方法，對神經(jīng)網(wǎng)絡模型進行調(diào)試，還可以修改模型的各項參數(shù)（比如隱藏層數(shù)量、神經(jīng)元數(shù)量、訓練算法等）。而如果我們在“Save Data to ”一欄保存了神經(jīng)網(wǎng)絡模型這個參數(shù)，那么今后再調(diào)用這個神經(jīng)網(wǎng)絡的時候，神經(jīng)網(wǎng)絡模型里的各項參數(shù)就不會再變了，就永永遠遠是你現(xiàn)在訓練好的這個參數(shù)。說得簡單一點，前者是保存調(diào)試神經(jīng)網(wǎng)絡模型的代碼，后者就是保存你現(xiàn)在訓練好的這個神經(jīng)網(wǎng)絡模型。
保存完畢后，點擊“”即可退出神經(jīng)網(wǎng)絡擬合工具箱。此外，如果大家沒有保存任何神經(jīng)網(wǎng)絡代碼或參數(shù)的話，系統(tǒng)還會很貼心地彈出一個提示框，詢問你是否確認退出。