没问题！即使没有 Python，**MATLAB** 其实是进行神经网络仿真和可视化的绝佳工具，它内置了强大的 **Deep Learning Toolbox**（以前叫 Neural Network Toolbox），无需编写复杂的底层代码即可生成标准的 BP 神经网络结构图。 以下为您提供两种在 MATLAB 中实现的方法：一种是**使用图形化界面（最简单，直接看图）**，另一种是**使用简短代码生成**。 ### 方法一：使用图形化界面 (Neural Net Pattern Recognition App) 这是最直观的方法，不需要写代码，直接通过点击鼠标生成结构图。 1. **打开工具箱**： * 在 MATLAB 命令行窗口输入 `nnstart` 或 `nprtool`，然后按回车。 * 这将打开“神经网络模式识别工具箱”窗口。 2. **创建网络**： * 选择 **"Pattern Recognition Neural Network"** (模式识别神经网络，即典型的 BP 网络)。 * 点击 **Next**。 * 在数据加载步骤，您可以直接选择 **"Load Example Data Set"** -> **"Iris Inputs and Targets"** (鸢尾花数据集，经典的分类案例)，然后点击 **Next**。 * 保持默认的网络结构（通常隐含层节点数为 10），或者根据您的需要调整 **Hidden Layer Size**。 * 点击 **Next** 直到点击 **Train** 训练网络（训练是为了让结构完整实例化）。 3. **查看结构图**： * 训练完成后，在结果窗口点击 **"View"** 按钮下的 **"Structure"**。 * **瞬间效果**：MATLAB 会弹出一个详细的交互式窗口，清晰展示： * **输入层 (Input)**：绿色方块。 * **隐含层 (Hidden)**：蓝色圆圈（显示神经元数量及激活函数，如 `tansig`）。 * **输出层 (Output)**：红色圆圈（显示激活函数，如 `softmax`）。 * **连接权重**：层与层之间的连线及权重矩阵维度。 * **偏置 (Bias)**：每层下方的 `1` 图标及其连接。 --- ### 方法二：使用极简代码生成 (适合快速复现) 如果您希望通过一行代码直接画出结构图，可以使用以下脚本。这段代码利用了 MATLAB 内置的 `view` 功能。 请在 MATLAB 编辑器中新建一个脚本，复制并运行以下代码： ```matlab % 清除工作区 clear; clc; close all; % 1. 定义网络结构 % 创建一个前馈反向传播网络 (feedforward backpropagation network) % 参数说明: % minmax([0 1; 0 1; 0 1; 0 1]) -> 模拟 4 个输入特征的范围 (例如鸢尾花的 4 个指标) % [10] -> 隐含层有 10 个神经元 % 3 -> 输出层有 3 个神经元 (例如 3 种分类) % {'tansig', 'purelin'} -> 激活函数 (隐含层用双曲正切，输出层用线性/或根据任务改 'softmax') net = feedforwardnet([10], 'trainbp'); % 配置输入输出维度 (模拟 4 输入，3 输出) net.inputs{1}.size = 4; net.outputs{2}.size = 3; % 初始化权重 (让网络结构完整化) net = configure(net, rand(4,1), rand(3,1)); % 2. 绘制结构图 % 这是最关键的一步，直接弹出可视化窗口 view(net); % 3. (可选) 在命令行打印简要结构信息 disp('--- BP 神经网络结构信息 ---'); disp(['输入层节点数: ', num2str(net.inputs{1}.size)]); disp(['隐含层节点数: ', num2str(net.layers{1}.dimensions)]); disp(['输出层节点数: ', num2str(net.outputs{2}.size)]); disp(['总权重量: ', num2str(sum(cellfun(@numel, net.IW))) + sum(cellfun(@numel, net.LW))]); ``` #### 代码运行后的效果： * 运行 `view(net)` 后，MATLAB 会弹出一个独立的图形窗口。 * 图中会用不同颜色的圆圈代表神经元，箭头代表数据流向（从左到右：输入 -> 隐含 -> 输出）。 * 每个神经元旁边会标注其使用的**激活函数**（如 `tansig`, `logsig`）。 * 连线上会显示**权重矩阵的大小**（例如 `10x4` 表示从 4 个输入到 10 个隐含节点的连接）。 ### 💡 专家提示 * **关于激活函数**：在经典的 BP 网络教学中，隐含层常用 `tansig` (双曲正切) 或 `logsig` (Sigmoid)，输出层若是分类问题常用 `softmax` (在较新版本 MATLAB 中 `patternnet` 会自动处理)，若是回归问题常用 `purelin` (线性)。 * **保存图像**：在弹出的结构图窗口中，您可以直接点击菜单栏的 **File -> Save As**，将结构图保存为 `.png` 或 `.jpg` 格式，方便插入报告或论文中。 这两种方法都能完美替代 Python 的绘图功能，且 MATLAB 生成的图表通常在学术出版中更为规范。您可以先尝试**方法一**，体验一下交互式的乐趣！