为何用patternnet构建的神经网络输出层transferFcn自动变回logsig？

这个问题我之前也踩过坑，核心原因是patternnet的默认逻辑会根据你的目标数据格式自动调整输出层配置，尤其是当分类标签不是one-hot编码时，工具箱会默认把任务判定为回归或二分类，强制将输出层切回logsig。下面是具体的解决步骤和原理：

1. 先把目标标签转成one-hot编码（关键！） #

softmax层是为多分类任务设计的，必须配合one-hot格式的目标向量使用——而你现在用的是0-9的标量标签，MATLAB会误以为是回归任务，自动覆盖你的激活函数设置。用ind2vec可以快速转换：

% 读取原始标签（0-9的标量）
target_in = mnist_in(:,1)';
% 转成one-hot向量（注意MATLAB索引从1开始，所以给标签+1）
target_in = ind2vec(target_in + 1);
% 可选：把稀疏矩阵转成普通矩阵，方便查看
target_in = full(target_in);

2. 正确设置网络的姿势：先适配数据，再改激活函数 #

直接修改patternnet的层属性容易被训练函数覆盖，建议先让网络适配你的输入输出维度，再手动指定激活函数：

% 创建网络结构
nn = patternnet([100 100]);
% 先让网络适配你的输入输出维度
nn = configure(nn, data_in, target_in);
% 手动设置输出层为softmax
nn.layers{end}.transferFcn = 'softmax';
% 配置训练参数（和你原来的设置一致）
nn.trainFcn = 'trainscg';
nn.divideParam.trainRatio = 0.7;
nn.divideParam.valRatio = 0.15;
nn.divideParam.testRatio = 0.15;
% 开始训练
nn = train(nn, data_in, target_in);

3. 如果还是不行，改用feedforwardnet手动构建 #

patternnet是feedforwardnet的封装版，专门针对模式识别做了默认设置，但灵活性不如后者。如果上面的方法还是被覆盖，直接用基础的前馈网络构建：

% 手动初始化前馈网络
nn = feedforwardnet([100 100]);
% 设置输入层大小（MNIST单图784像素）
nn.inputs{1}.size = 784;
% 逐层设置激活函数
nn.layers{1}.transferFcn = 'logsig';
nn.layers{2}.transferFcn = 'logsig';
nn.layers{3}.transferFcn = 'softmax';
% 配置训练参数
nn.trainFcn = 'trainscg';
nn.divideParam.trainRatio = 0.7;
nn.divideParam.valRatio = 0.15;
nn.divideParam.testRatio = 0.15;
% 适配数据并训练
nn = configure(nn, data_in, target_in);
nn = train(nn, data_in, target_in);

为什么会出现这个问题？ #

patternnet的默认逻辑是：

• 如果目标是one-hot向量（维度等于类别数），则判定为多分类任务，允许使用softmax；
• 如果目标是单值标量，则判定为回归或二分类任务，自动切换为logsig（输出0-1区间）或purelin。

当你调用train时，工具箱会自动校验输入输出的兼容性，一旦发现目标格式和激活函数不匹配，就会强制重置激活函数——这就是你手动设置后又被覆盖的根本原因。

训练完成后，你可以用disp(nn.layers{end}.transferFcn);来检查输出层的激活函数是否正确设置为softmax。

内容的提问来源于stack exchange，提问作者RHLS