详细原文介绍：
神经网络入门随记 以及 matlab中神经网络工具箱的使用
关于神经网络的非常基础概念 个人笔记 不具权威性 仅供参考
欢迎指正错误 提供意见 交流讨论等
我们有一个数据，称之为样本。样本有四个属性，其中三个属性已知（特征），一个属性未知（目标）。我们需要做的就是通过三个已知属性（特征）预测未知属性（目标）。
具体办法就是使用神经元的公式进行计算。三个已知属性（特征）的值是a1，a2，a3，未知属性（目标）的值是z。z可以通过公式计算出来。
这里，已知的属性称之为特征，未知的属性称之为目标。
假设特征与目标之间确实是线性关系，并且我们已经得到表示这个关系的权值w1，w2，w3。那么，我们就可以通过神经元模型预测新样本的目标。
连接是神经元中最重要的东西。每一个连接上都有一个权重。
一个神经网络的训练算法就是让权重的值调整到最佳，以使得整个网络的预测效果最好。
在神经元模型里，每个有向箭头表示的是值的加权传递。
用a表示输入，w表示权值，在连接的末端，信号的大小就变成了a*w。
（1）首先是导入数据
从MATLAB左上角处选择“主页”，再选择“导入数据”。打开文件，选择所需数据（可对导入数据组更改命名），再点击右上角“导入所选内容”。
注意：输出类型选择“数值矩阵”
我准备做的是一个面积运算，AB列分别是宽和高，C列为面积输出。
（2）选择工具箱
本文工具箱选用“nftool”，即神经网络拟合（neural net fitting），可在APP内选取 or 命令行输入。
接着导入数据，注意对观测值的行列选取（此处主要是行列矩阵的一个区分吧）。它默认是列，但如果是excel导入的，一般改成行，具体因样本而异。然后点击确定，准备训练。
注意：一般训练数据默认70%（据网上资料介绍7-8都差不多），太大会过拟合，太小欠拟合。
此处，层大小是指隐藏层神经元个数（Number of Hidden Neurons）
关于神经网络层数的问题，可见链接跳转知乎专栏文章。
另外附：
MATLAB神经网络工具箱nntool
（3）开始训练
点击训练，稍等片刻后，看“训练结果”栏，分析相关数据。
MSE：表示目标函数损失，全称检验神经网络算法的误差分析，value越低越好。
R：输出和目标之间的相关性。1表示密切关系，0表示随机关系。
补充：
损失函数（loss）：用来表示预测与已知答案的差距。在训练神经网络时，通过不断改变神经网络中所有参数，使损失函数不断减小，从而训练出更高准确率的神经网络模型。常用的损失函数有均方误差（MSE），自定义和交叉熵等。
（4）训练 验证 测试
训练：432 * 0.7 = 302.4 选取302个样本
验证和测试：432 * 0.15 = 64.8 选取65个样本
此时，训练验证和测试共计432个样本，完成一个神经网络训练。
(5)生成代码
Ⅰ(导出模型出可生成函数代码)
生成后可查看各个性能参数。
可以保存脚本，然后从命令行运行它，以重现上次训练会话的结果。
也可以编辑脚本来自定义训练过程。
performance,误差函数，这里选用的是MSE。
ps:
如果迭代次数到达了1000，应该说明性能不是很好。在1000前停下来表示，已经运算达到了最佳值，所以自动停下。
Ⅱ 点击导出模型下拉框
这里我选择了第四个选项
命令行输入：
B_test05(x1)
输出（一共432个，太多了，截取片段）：
ans =
1.0e+04 *
列 1 至 9
0.0009 0.0015 0.0068 0.0910
0.0558 0.0518 0.0280 0.6237 0.0600
对比自己导入的输入输出数据，结果一致
下面自己输入新数据验证：
可见数值结果接近但是仍然有误差，需要改进。
选中区域，输入
=RANDBTWEEN(a,b)
按下ctrl+enter即可生成随机数值。
其中，a为随机数值的最小取值，b为最大。输入行查找函数时，大小写不限。
pppppps(补充几个选中区域的常用快捷键)：
ctrl+shift+↓ 选中一整列（列的尽头是1048576（狗头
ctrl+shift+→ 选中右边一整行（行的尽头是XFD
↑ ← 同理