如何在MATLAB训练网络时通过OutputFcn获取每轮迭代的准确率列表？

我来帮你搞定这个问题！在MATLAB里用OutputFcn收集每轮训练的准确率其实很直观，关键是写一个自定义的输出函数来记录数据，下面是具体的步骤和代码示例：

核心思路 #

OutputFcn是MATLAB神经网络训练时的回调函数，每完成一轮迭代（或一个小批量）就会被调用一次。我们可以在这个函数里计算当前轮次的准确率，并把它存入一个预先定义的数组中，训练结束后这个数组就是完整的准确率列表。

具体实现步骤 #

1. 准备基础数据与网络 #

假设你已经有了训练输入X、标签Y，以及初始化好的神经网络net（这里用前馈网络做示例）：

% 示例：创建一个简单的前馈神经网络
net = feedforwardnet([12 6]);
% 假设你已经加载了训练数据 X（输入）和 Y（标签，分类任务建议用one-hot编码）

2. 定义准确率存储容器与自定义OutputFcn #

推荐用嵌套函数来避免全局变量的冲突问题，直接在脚本里定义即可：

% 初始化空数组，用来存储每轮的准确率
accuracyHistory = [];

% 自定义输出函数，每轮训练后自动调用
function stop = customOutputFcn(net, info)
    % 计算当前轮次的准确率（分类任务示例）
    % 1. 用当前网络预测训练数据
    yPred = net(X); % X是完整训练输入，若要算验证集准确率可替换成验证数据
    % 2. 将one-hot编码的预测结果和标签转为类别索引
    yPredClass = vec2ind(yPred);
    yTrueClass = vec2ind(Y);
    % 3. 计算准确率
    currentAcc = mean(yPredClass == yTrueClass);
    
    % 将当前准确率追加到历史列表中
    accuracyHistory(end+1) = currentAcc;
    
    % 设置是否停止训练：返回false表示继续训练，true则终止
    stop = false;
end

3. 配置训练选项并启动训练 #

在trainingOptions里指定我们的自定义OutputFcn，然后开始训练：

% 配置训练选项（这里用trainlm优化器，可替换为你需要的如traingd、trainbr等）
trainOpts = trainingOptions('trainlm', ...
    'OutputFcn', @customOutputFcn, ...
    'Epochs', 100, % 训练轮次
    'Verbose', true); % 显示训练过程

% 启动训练
[trainedNet, trainInfo] = train(net, X, Y, trainOpts);

4. 获取并使用准确率列表 #

训练结束后，accuracyHistory就是每轮迭代的准确率列表了，你可以直接打印、保存或可视化：

% 打印准确率列表
disp('每轮迭代的准确率：');
disp(accuracyHistory);

% 可视化准确率变化趋势
plot(1:length(accuracyHistory), accuracyHistory, '-o', 'LineWidth', 1.5);
xlabel('迭代轮次');
ylabel('准确率');
title('训练过程中准确率变化');
grid on;

注意事项 #

• 如果是回归任务，你需要把准确率换成对应的评估指标（如R²、均方误差MSE），只需修改自定义函数里的计算逻辑即可。
• 如果你用的是小批量训练，默认info.X是当前小批量的输入，若要计算全训练集的准确率，记得在自定义函数里用完整的训练数据X和Y，而不是info里的批量数据。
• 若要同时记录验证集准确率，只需在自定义函数里加入验证数据的预测和计算逻辑即可。

内容的提问来源于stack exchange，提问作者Christine