注：本文章是在matlab2019上进行的，matlab2016没有该工具包，其他的需要自己查看
以搭建CNN为例：用于分类
#####上述搭建的层的分析结果如下图所示：
若用于回归，则将最后两层换为regression layer即可。
除了拖动层进行搭建，还可自己写代码搭建： layers = [ imageInputLayer([28 28 1]) % 输入层，1个通道，像素为28×28 convolution2dLayer(3,8,'Padding','same') % 卷积层1：卷积核大小为3×3，卷积核的个数为8（每个卷积核的通道数与输入图像的通道数相等，本层中每个卷积核1个通道）卷积的方式采用零填充方式（即设定为same方式） batchNormalizationLayer % 批量归一化层1 reluLayer % ReLU非线性激活函数1 averagePooling2dLayer(2,'Stride',2) % 池化层1：池化方式：平均池化；池化区域为2×2，步长为2 convolution2dLayer(3,16,'Padding','same') % 卷积层2：卷积核大小为3×3，卷积核的个数为16（每个卷积核的通道数与输入特征图的通道数相等，本层中每个卷积核8个通道）卷积的方式采用零填充方式（即设定为same方式） batchNormalizationLayer % 批量归一化层2 reluLayer % ReLU非线性激活函数2 averagePooling2dLayer(2,'Stride',2) % 池化层2：池化方式：平均池化；池化区域为2×2，步长为2 dropoutLayer(0.2) % dropout层，随机将20%的输入置零 fullyConnectedLayer(1) % 全连接层,全连接层的输出为1 regressionLayer ]; 构建了层后需要设置运行的参数，以及需要自身代入特征量和目标变量的格式（w ∗ * ∗d ∗ * ∗h）。尤其是可能输入的是cell格式。
等下一篇,有空时,再阐述。