神经网络工具箱
Matlab地神经网络工具箱实用指南设计作者夏寒发布时间2000
实用标准文案2000/11/09 作者：夏寒Matlab的神经网络工具箱实用指南发布时间：:文章摘要第一章是神经网络的基本介绍，第二章包括了由工具箱指定的有关网络结构和符号的基本材料。
第三章以反向传播网络为例trainadapt和new、init、以及建立神经网络的一些基本函数，例如讲解了反向传播网络的原理和应用的基本过程。
:正文静态网络中的批处理方式通train函数来实现，虽然由于由于采用了更高效的学习算法，train 批处理方式可以用adapt 或train函数只能用于批处理方式。
常是最好的选择。
增加方式只能用adapt来实现，。
让我们用前面用过的静态网络的例子开始，学习速率设置为0.1net = newlin([-1 1;-1 1],1,0,0.1);net.IW{1,1} = [0 0];net.b{1} = 0;adapt用函数实现静态网络的批处理方式，输入向量必须用同步向量矩阵的方式放置：P = [1 2 2 3; 2 1 3 1];T = [4 5 7 7];精彩文档．实用标准文案当我们调用adapt时将触发adaptwb函数，这是缺省的线性网络调整函数。
learnwh是缺省的权重和偏置学习函数。
因此，Widrow-Hoff学习法将会被使用：[net,a,e,pf] = adapt(net,P,T);a = 0 0 0 0e = 4 5 7 7注意网络的输出全部为0，因为在所有要训练的数据提交前权重没有被更新，如果我们显示权重，我们就会发现：>>net.IW{1,1}ans = 4.9000 4.1000>>net.b{1}ans =2.3000经过了用adapt函数的批处理方式调整，这就和原来不一样了。
现在用train函数来实现批处理方式。
由于Widrow-Hoff规则能够在增加方式和批处理方式中应用，它可以通过adapt和train触发。
我们有好几种算法只能用于批处理方式（特别是Levenberg-Marquardt算法），所以这些算法只能用train触发。
【整理】Matlab神经网络工具箱介绍_2022年学习资料
Network/Data Manager-▣回X-Input Data:-零Network:-Output Data:-1输入向量X-3网络的输出向量-Target Data:-Error Data:-5神经网络模 -2目标输出向量Y-4网络的训练误差-Input Delay States:-Layer Delay St tes:-新建数据或网络-导入数据或网络-&Import.…-New...-□0pen…-◆Export. Delete-⑨Help-Close-图1图形用户界面-4/18/2019
·<step.3>建立网络-Network/Data-Create Network or Data-Man ger窗口中New.-Network Data-打开Create Network or-Name-netw rk1-Data,如右图。--Network Properties-Name:定义网络名为-Netwark Type:-Feed-forward backprop-networkl-Input data:-trai -Target data:-trainY-选择Input,/Target-Training functio :-TRAINLM-Data,设置训练函数等参-Adaption learning function:-L ARNGDM-Performance function:-MSE-数。-Number of layers: Properties for:Layer 1-·View:查看模型-Number of neurons:0-Transfer Function:-TANSIG-□View-Restore Defaults-4/ 8/2019-⑨Help-☆Create-☒Close
MATLAB语言的神经网络工具箱及应用
户 设计 和 管理 网络 的可 视化 接 口（ ＵＩ Ｇ ）外 ， 还提 供 大 量 已经 被 证 实 的 网络 设 计 的 支 持 。 准 、 标 开 放 、 扩张 的工 具 箱设 计 方 便 用 户 自定 义 函数 和 可
中 图 分 类 号 ： Ｐ ８ Ｔ １３ 文献标识码 ： Ａ
神 经 网 络 工具 箱 （ ＮＮＴ）扩 充 了 ＭＡＴＬ ＡＢ 在 设计 、 用 、 应 显示 和 仿 真 神经 网络 上 的功 能 。 神 经 网络能够 用来 解决 常规 计算 机 和人难 以解 决 的 问题 ， 并且 可应 用 于各个 领域 ， 以实 现各 种 复杂 的 功能 。 这些 领 域 包 括 ： 式识 别 、 模 非线 性 系统 鉴定
个 神经框 架 ， 够 帮 助 快速 的使 用 神 经 网 络 和 能
文献 ｌ －讨论 了用扩 充 的神 经 网络 工 具箱 在 －Ｉ ｓ
学 习它 们 的行 为及其 应 用 。
＊
收稿 日期 ：０ ６ ０ — １ ２０ — ５ １
４ ３
维普资讯
第２ Ｏ卷 第 １期
（ 中师 范 大学 网 络学 院 。 理 科 学 与技 术 学 院 。 汉 华 物 武 ４０７ ） ３ ０ ９
摘 要 ： 文 首 先介 绍 了 ＭＡＴ ＡＢ神 经 网络 工 具 箱 ， 结 合 实例 对 神 经 网络 工 具 箱 中 的一 些 函 本 Ｌ 并 数 及 神 经 网 络 结 构 进 行 解 释 和 说 明 ； 后 对神 经 网 络 在 同步 中的 应 用 进 行 介 绍 并 通 过 仿 真 验 证 了 然 神 经 网络 在 同步 中应 用 的 可 行 性 。 关 键词 ： ＭＡＴ ＡＢ 神 经 网络 工 具 箱 ； Ｌ ； 同步
MATLAB神经网络工具箱的使用指南
MATLAB神经网络工具箱的使用指南引言：在当今信息时代的浪潮中，神经网络作为一种模仿人类神经系统运行方式的数学计算模型，被广泛应用于各个领域。
而MATLAB神经网络工具箱作为一款功能强大、易于使用的软件工具，成为许多科学家和工程师进行神经网络研究和应用实践的首选。
本文旨在为读者提供MATLAB神经网络工具箱的全面介绍，并指导读者如何利用其进行神经网络的搭建、训练和应用。
一、神经网络基础知识在正式介绍MATLAB神经网络工具箱之前，我们先来了解一些神经网络的基础知识。
神经网络由输入层、隐藏层和输出层组成，其中输入层接收外部输入，隐藏层进行数据转换和处理，输出层输出最终结果。
神经网络模拟人类大脑的工作原理，通过调整神经元之间的连接权重来实现对输入数据的学习和对未知数据的预测。
二、MATLAB神经网络工具箱的使用1. 环境准备在使用MATLAB神经网络工具箱之前，我们需要先安装MATLAB软件，并确保已经安装了神经网络工具箱。
安装完成后，可以通过在命令窗口输入“nntool”命令来打开神经网络工具箱界面。
2. 神经网络搭建在神经网络工具箱中，可以通过图形用户界面进行神经网络的搭建。
点击界面左上角的“New”按钮，选择“Feedforwardnet”或“Patternnet”等网络类型，并设置输入层、隐藏层和输出层的节点数。
接下来，可以通过拖拽节点和连接来构建网络。
此外，还可以使用“Layer”和“Connection”选项卡来对网络的结构和参数进行进一步设置。
3. 数据准备成功搭建神经网络后，我们需要准备用于训练和测试的数据。
MATLAB提供了丰富的数据处理函数，可以将数据从不同格式的文件中导入，或者通过代码生成。
导入数据后，可以使用数据处理工具对数据进行清洗、归一化等预处理操作，以提高神经网络的训练效果。
4. 神经网络训练数据准备完毕后，可以通过神经网络工具箱提供的训练函数对神经网络进行训练。
常用的训练函数包括“trainlm”、“traingd”、“trainrp”等，它们采用不同的优化算法来调整网络中的连接权重。
matlab神经网络工具箱简介
matlab神经网络工具箱简介MATLAB软件中包含MATLAB神经网络工具箱，工具箱以人工神经网络为基础，只要根据自己需要调用相关函数，就可以完成网络设计、权值初始化、网络训练等，MATLAB神经网络工具箱包括的网络有感知器、线性网络、BP神经网络、径向基网络、自组织网络和回归网络，BP神经网络工具箱主要包括newff，sim和train三个神经网络函数各函数的解释如下：1 newff：：：：BP神经网络参数设置函数神经网络参数设置函数神经网络参数设置函数神经网络参数设置函数函数功能：构建一个BP神经网络。
函数形式：net = newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)P：输入数据矩阵T：输出数据矩阵S：隐含层节点数TF：节点传递函数，包括硬限幅传递函数hardlim，对称硬限幅传递函数hardlims，线性传递函数purelin，正切S型传递函数tansig，对数S型传递函数logsigBTF：训练函数，包括梯度下降BP算法训练函数traingd，动量反传的梯度下降BP算法训练函数traingdm，动态自适应学习率的梯度下降BP算法训练函数traingda，动量反传和动态自适应学习率的梯度下降BP算法训练函数traingdx，Levenberg_Marquardt 的BP算法训练函数trainlmBLF：网络学习函数，包括BP学习规则learngd，带动量项的BP 学习规则learngdmPF：性能分析函数，包括均值绝对误差性能分析函数mae，均方差性能分析函数mse IPF：输入处理函数OPF：输出处理函数DDF：验证数据划分函数一般在使用过程中设置前六个参数，后四个参数采用系统默认参数。
2 train：：：：BP神经网络训练函数神经网络训练函数神经网络训练函数神经网络训练函数函数功能：用训练数据训练BP神经网络。
函数形式：[net,tr] = train(NET,X,T,Pi,Ai)NET：待训练网络X：输入数据矩阵T：输出数据矩阵Pi：初始化输入层条件Ai：初始化输出层条件net：训练好的网络tr：训练过程记录一般在使用过程中设置前三个参数，后两个参数采用系统默认参数。
Matlab中的神经网络工具箱介绍与使用
Matlab中的神经网络工具箱介绍与使用神经网络是一种模拟人脑思维方式的计算模型，它通过由多个神经元组成的网络，学习数据的特征和规律。
在计算机科学领域，神经网络被广泛应用于模式识别、数据挖掘、图像处理等诸多领域。
Matlab作为一种功能强大的科学计算软件，提供了专门用于神经网络设计和实现的工具箱。
本文将介绍Matlab中的神经网络工具箱，并探讨其使用方法。
一、神经网络工具箱的概述Matlab中的神经网络工具箱（Neural Network Toolbox）是一款用于构建和训练神经网络的软件包。
它提供了丰富的函数和工具，可用于创建不同类型的神经网络结构，如前向神经网络、反向传播神经网络、径向基函数神经网络等。
神经网络工具箱还包括了各种训练算法和性能函数，帮助用户对神经网络进行优化和评估。
二、神经网络的构建与训练在使用神经网络工具箱前，我们需要先了解神经网络的基本结构和原理。
神经网络由输入层、隐藏层和输出层组成，每一层都包含多个神经元。
输入层接受外部输入数据，通过权重和偏置项传递给隐藏层，最终输出到输出层，形成网络的输出结果。
构建神经网络的第一步是定义网络的结构，可以使用神经网络工具箱中的函数创建不同层和神经元的结构。
例如，使用feedforwardnet函数可以创建一个前向神经网络，输入参数指定了每个隐藏层的神经元数量。
然后，可以使用train函数对神经网络进行训练。
train函数可以选择不同的训练算法，如标准反向传播算法、Levenberg-Marquardt算法等。
通过设置训练参数，例如训练迭代次数和学习速率等，可以对网络进行优化。
三、神经网络的应用案例神经网络在许多领域都有广泛的应用，下面以图像分类为例，介绍如何使用神经网络工具箱来训练一个图像分类器。
首先，我们需要准备训练数据和测试数据。
训练数据通常包含一组已经标记好的图像和相应的标签。
为了方便处理，我们可以将图像转化为一维向量，并将标签转化为二进制编码。
matlab神经网络工具箱怎么用
matlab神经网络工具箱怎么用标题：Matlab神经网络工具箱的使用方法导言：Matlab神经网络工具箱是一个功能强大的工具，用于建立、训练和评估各种类型的神经网络。
本文将介绍如何使用Matlab神经网络工具箱进行神经网络的建立、训练和评估，帮助您更好地理解和使用这个工具箱。
一、Matlab神经网络工具箱的安装首先，您需要确保已成功安装了Matlab软件。
然后，您可以通过以下步骤来安装Matlab神经网络工具箱：1. 打开Matlab软件。
2. 在工具栏上选择“工具”菜单。
3. 在下拉菜单中选择“添加预定目录”。
4. 在弹出的窗口中，选择“文件夹”选项。
5. 点击“浏览”按钮，并选择包含神经网络工具箱的文件夹。
6. 点击“选择文件夹”按钮，然后点击“添加文件夹”按钮。
7. 点击“关闭”按钮，完成神经网络工具箱的安装。
二、神经网络的建立Matlab神经网络工具箱提供了多种类型的神经网络模型，如前馈神经网络、递归神经网络和自组织神经网络。
下面我们以前馈神经网络为例，介绍神经网络的建立方法：1. 打开Matlab软件，并在命令窗口中输入“nprtool”命令，打开“神经网络模式选择器”窗口。
2. 在“神经网络模式选择器”窗口中，选择“构建”按钮。
3. 在“神经网络模式选择器”窗口中，选择“前馈神经网络”选项，并点击“下一步”按钮。
4. 在“选择网络架构”窗口中，选择神经网络的层数、神经元数量和输入、输出数据的维度。
5. 点击“下一步”按钮，然后点击“完成”按钮，完成神经网络的建立。
三、神经网络的训练神经网络的训练是指通过将已知的输入和输出数据进行反复迭代调整网络参数，从而使网络能够更好地拟合输入输出之间的关系。
下面我们介绍神经网络的训练方法：1.在命令窗口中输入“trainlm”命令，选择Levenberg-Marquardt算法作为训练函数。
2.输入训练数据和目标数据，通过“trains”命令开始训练神经网络。
MATLAB中的神经网络工具箱详解
MATLAB中的神经网络工具箱详解神经网络是一种模拟人脑神经系统工作方式的计算模型，广泛应用于科学、工程和金融等领域。
而在MATLAB软件中，也有专门的神经网络工具箱，提供了丰富的功能和算法，用于实现神经网络的建模、训练和应用。
本文将对MATLAB中的神经网络工具箱进行详细的解析和介绍。
一、神经网络基础知识在深入了解MATLAB神经网络工具箱之前，我们首先来了解一些神经网络的基础知识。
1. 神经元和激活函数神经元是神经网络的基本单位，它接收来自其他神经元的输入，并通过激活函数将输入转化为输出。
在MATLAB中，可以使用`newff`函数创建一个前馈神经网络，可以通过`sim`函数进行网络的模拟和计算。
2. 训练算法神经网络的训练是指通过一系列的输入和输出样本来调整网络的参数，使得网络能够正确地学习和推断。
常用的训练算法包括误差逆传播算法（Backpropagation）、Levenberg-Marquardt算法等。
在MATLAB中，可以使用`train`函数进行网络的训练，可以选择不同的训练算法和参数。
二、MATLAB神经网络工具箱的使用1. 创建神经网络对象在MATLAB中，可以使用`newff`函数创建一个前馈神经网络对象，该函数的参数包括网络的结构、激活函数等。
例如，`net = newff(input, target, hiddenSize)`可以创建一个具有输入层、隐藏层和输出层的神经网络对象。
2. 设置神经网络参数创建神经网络对象后，可以使用`setwb`函数设置网络的权重和偏置值，使用`train`函数设置网络的训练算法和参数。
例如，`setwb(net, weights, biases)`可以设置网络的权重和偏置值。
3. 神经网络的训练神经网络的训练是通过提供一系列的输入和输出样本，调整网络的参数使得网络能够正确地学习和推断。
在MATLAB中，可以使用`train`函数进行网络的训练，该函数的参数包括训练集、目标值、训练算法和其他参数。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
神经网络工具箱版本6.0.4（R2010a版本）25-JAN-2010图形用户界面的功能。
nctool - 神经网络分类的工具。
nftool - 神经网络拟合工具。
nprtool - 神经网络模式识别工具。
nntool - 神经网络工具箱的图形用户界面。
nntraintool - 神经网络训练工具。
视图- 查看一个神经网络。
分析功能。
混乱- 分类混淆矩阵。
errsurf - 单输入神经元的误差表面。
maxlinlr - 最大的学习率的线性层。
鹏- 受试者工作特征。
距离函数。
boxdist - 箱距离函数。
DIST - 欧氏距离权重函数。
mandist - 曼哈顿距离权重函数。
linkdist - 链路距离函数。
格式化数据。
combvec - 创建载体的所有组合。
con2seq - 转换并行向量连续载体。
同意- 创建并发偏载体。
dividevec - 创建载体的所有组合。
ind2vec - 转换指数为载体。
最小最大- 矩阵行范围。
nncopy - 复印基质或细胞阵列。
normc - 规格化矩阵的列。
normr - 规格化行的矩阵的。
pnormc - 矩阵的伪规格化列。
定量- 值离散化作为数量的倍数。
seq2con - 转换顺序向量并发载体。
vec2ind - 将矢量转换成指数。
初始化网络功能。
initlay - 层- 层网络初始化函数。
初始化层功能。
initnw - 阮层的Widrow初始化函数。
initwb - 从重量和- 偏置层初始化函数。
初始化的重量和偏见的功能。
initcon - 良心的偏见初始化函数。
initzero - 零重量/偏置初始化函数。
initsompc - 初始化SOM的权重与主要成分。
中点- 中点重初始化函数。
randnc - 归一列重初始化函数。
randnr - 归行重初始化函数。
兰特- 对称随机重量/偏置初始化函数。
学习功能。
learncon - 良心的偏见学习功能。
learngd - 梯度下降重量/偏置学习功能。
learngdm - 梯度下降W /气势重量/偏置学习功能。
learnh - 赫布重学习功能。
learnhd - 赫布衰变重学习功能。
learnis - 重量龄学习功能。
learnk - Kohonen的重量学习功能。
learnlv1 - LVQ1重学习功能。
learnlv2 - LVQ2重学习功能。
learnos - Outstar重学习功能。
learnsomb - 批自组织映射权重学习功能。
learnp - 感知重量/偏置学习功能。
learnpn - 归感知重量/偏置学习功能。
learnsom - 自组织映射权重学习功能。
learnwh - 的Widrow - 霍夫重量/偏置学习规则。
在线搜索功能。
srchbac - 回溯搜索。
srchbre - 布伦特的结合黄金分割/二次插值。
srchcha - Charalambous“三次插值。
srchgol - 黄金分割。
srchhyb - 混合二分/立方搜索。
净输入功能。
netprod - 产品净输入功能。
netsum - 求和净输入功能。
网络创造的功能。
网络- 创建一个自定义的神经网络。
NEWC - 创建一个有竞争力的层。
newcf - 创建级联转发传播网络。
newdtdnn - 创建一个分布式的时间延迟神经网络。
newelm - 创建埃尔曼传播网络。
newfit - Createa一个合适的网络。
newff - 创建前馈传播网络。
newfftd - 创建一个前馈输入延迟backprop网络。
newgrnn - 设计一个广义回归神经网络。
newhop - 建立一个经常性的Hopfield网络。
纽林- 创建一个线性层。
newlind - 设计一个线性层。
newlvq - 创建学习型矢量量化网络。
newnarx - 创建前馈传播网络与反馈从输出到输入。
newnarxsp - 创建在串并联布置的NARX网络。
NEWP - 创建一个感知。
newpnn - 设计一个概率神经网络。
newpr - 创建一个模式识别网络。
newrb - 设计一个径向基网络。
newrbe - 设计一个确切的径向基网络。
纽森- 创建一个自组织映射。
网络转换功能。
sp2narx - 转换串并联NARX网络并行（反馈）的形式。
网络更新功能。
nnt2c - 更新NNT 2.0竞争层。
nnt2elm - 更新NNT 2.0艾尔曼传播网络。
nnt2ff - 更新NNT 2.0馈网络。
nnt2hop - 更新NNT 2.0 Hopfield神经复发网络。
nnt2lin - 更新NNT 2.0线性层。
nnt2lvq - 更新NNT 2.0学习矢量量化网络。
nnt2p - 更新NNT 2.0感知。
nnt2rb - 更新NNT 2.0径向基网络。
nnt2som - 更新NNT 2.0自组织映射。
性能功能。
美- 平均绝对误差性能的功能。
MSE - 均方误差性能函数。
msereg - 均方误差有正表现功能。
mseregec - 均方误差与正规化和节约性能的功能。
上证所- 误差平方和性能的功能。
绘图功能。
hintonw - 韩丁图权重矩阵。
hintonwb - 权重矩阵和偏移向量的韩丁图。
plotbr - 贝叶斯正规化培训小区网络的性能。
plotconfusion - 剧情分类混淆矩阵。
plotep - 剧情上的错误表面上的重量偏的位置。
plotes - 绘制单个输入神经元的误差表面。
plotfit - 绘图函数拟合。
plotpc - 对感知矢量图绘制分线。
plotperform - 小区网络的性能。
plotpv - 剧情感知输入/目标向量。
plotregression - 剧情线性回归。
plotroc - 情节受试者工作特征。
plotsom - 绘制自组织映射。
plotsomhits - 剧情自我组织图来样命中。
plotsomnc - 绘制自组织映射邻居连接。
plotsomnd - 绘制自组织映射邻居的距离。
plotsompos - 绘制自组织映射权重的位置。
plotsomtop - 绘制自组织映射的拓扑结构。
plottrainstate - 剧情训练状态值。
plotv - 矢量绘制从原点线。
plotvec - 绘图用不同的颜色矢量。
postreg - 培训后回归分析。
处理数据。
fixunknowns - 具有未知值的过程矩阵行。
mapminmax - 地图矩阵行最小和最大值设置为[-1 1]。
mapstd - 地图矩阵行手段，偏离标准值。
processpca - 进程与主成分分析的矩阵行。
removeconstantrows - 删除矩阵的行恒定值。
removerows - 删除矩阵的行与指定的索引。
Simulink的支持。
gensim - 生成Simulink模块来模拟神经网络。
拓扑功能。
gridtop - 网格层拓扑功能。
hextop - 六角层拓扑功能。
randtop - 随机层拓扑功能。
培训功能。
trainb - 批量训练重量和偏见的学习规则。
trainbuwb - 批无监督权/偏置学习。
trainbfg - BFGS拟牛顿反向传播。
trainbr - 贝叶斯正规化建设。
trainc - 周期性为了增加培训瓦特/学习功能。
traincgb - 鲍威尔，比尔共轭梯度反向传播。
traincgf - 弗莱彻，鲍威尔共轭梯度反向传播。
traincgp - 波拉克，Ribiere共轭梯度反向传播。
traingd - 梯度下降反向传播。
traingdm - 梯度下降动量反向传播。
traingda - 梯度下降自适应LR反向传播。
traingdx - 梯度下降瓦特/动量及自适应LR反向传播。
trainlm - 列文伯格- 马夸特反向传播。
trainoss - 一步割线反向传播。
trainr - 随机顺序递增培训瓦特/学习功能。
trainrp - 弹性反向传播（RPROP）。
火车- 按顺序递增培训瓦特/学习功能。
trainscg - 规模化的共轭梯度反向传播。
传递函数。
compet - 竞争传递函数。
hardlim - 硬极限传输函数。
hardlims - 对称硬极限传输函数。
logsig - 登录乙状结肠传递函数。
netinv - 逆传递函数。
poslin - 正线性传递函数。
purelin - 线性传递函数。
radbas - 径向基函数。
satlin - 饱和线性传递函数。
satlins - 对称饱和线性传递函数。
SOFTMAX - 软最大传输函数。
tansig - 双曲正切S形传递函数。
tribas - 三角基函数。
使用网络。
SIM卡- 模拟神经网络。
初始化- 初始化神经网络。
适应- 允许一个神经网络来适应。
火车- 训练神经网络。
disp已- 显示一个神经网络的特性。
显示- 显示名称和神经网络变量的性质。
重功能。
convwf - 卷积权函数。
DIST - 欧氏距离权重函数。
dotprod - 点产品重量的功能。
mandist - 曼哈顿距离权重函数。
negdist - 负距离的权重函数。
normprod - 归一化积权重函数。
scalprod - 标产品重量的功能。
模板的自定义功能。
template_distance - 模板距离函数。
template_init_layer - 模板层的初始化函数。
template_init_network - 模板网络初始化函数。
template_init_wb - 模板重量/偏置初始化函数。
template_learn - 模板倾斜功能。
template_net_input - 模板净输入功能。
template_new_network - 模板创建新的网络功能。
template_performance - 模板功能函数。
template_process - 模板处理功能。
template_search - 模板搜索功能。
template_topology - 模板拓扑功能。
template_train - 模板列车功能。
template_transfer - 模板传递函数。
template_weight - 模板权函数。
NNET的内容：网络- 创建一个自定义的神经网络。