MATLAB实现多输入CNN回归预测：工程实践与架构解析

简介：本资源是一套面向深度学习初学者与MATLAB工程实践者的CNN多输入回归预测完整实现方案，聚焦于利用卷积神经网络处理7维特征输入并预测连续型目标值，适用于时间序列建模、传感器融合分析、工业参数预测等实际回归场景。压缩包共7个文件（867KB），含核心MATLAB主程序MainCNNR.m（构建网络、训练与预测全流程）、数据集data.xlsx（含7输入1输出的标准化样本）、4张关键可视化图（展示网络结构、损失曲线与预测效果）及1份详细说明文档CNN多元回归预测.docx（涵盖原理、数据预处理逻辑与结果分析）。已有3697人学习下载，资源结构紧凑、开箱即用，无需额外配置即可运行复现；不仅提供可直接调试的完整源码，还通过图文结合方式厘清多输入CNN在回归任务中的数据流向与层设计要点，是理解深度学习回归建模与MATLAB深度学习工具箱应用的优质实践材料。

1. 项目概述：当MATLAB遇上CNN回归预测

作为一名在工业数据分析和算法工程领域摸爬滚打了十多年的工程师，我见过太多同行在面对复杂的多变量、非线性回归预测问题时，第一反应就是去翻Python的TensorFlow或PyTorch教程。这当然没错，生态丰富，社区活跃。但很多时候，尤其是在工程仿真、信号处理、控制系统等传统强项领域，我们的数据预处理、特征工程乃至整个工作流都深度绑定在MATLAB环境中。为了一个预测模型，将数据倒来倒去，在不同平台间切换，不仅效率低下，还容易引入错误。最近，我完成了一个“MATLAB实现CNN卷积神经网络多输入回归预测”的项目，核心目标就是在MATLAB这一单一平台上，打通从多源数据到CNN回归模型构建、训练与部署的全流程，让深耕MATLAB的工程师和研究者能“就地解决”复杂的预测问题。

这个项目能做什么？简单说，它提供了一套完整的工具箱，允许你直接使用MATLAB处理和融合来自不同传感器、不同模态（比如一维时序信号、二维图像特征图、三维频谱数据）的输入数据，构建一个端到端的卷积神经网络，并输出一个或多个连续的预测值。它解决的正是“数据在MATLAB里，模型也想在MATLAB里训，但MATLAB的深度学习工具箱对多输入和复杂CNN回归的支持不够直观”这个痛点。无论你是做机械设备的剩余寿命预测（RUL）、金融时间序列 forecasting，还是复杂系统的性能指标回归，只要你的输入是多维的、特征需要自动提取的，这套方案都值得一试。

2. 核心思路与架构设计：为何选择MATLAB Deep Learning Toolbox？

在决定用MATLAB实现多输入CNN回归之前，我们需要理清几个关键问题：为什么是MATLAB？为什么是CNN？以及“多输入”具体意味着什么？

2.1 平台选型：MATLAB Deep Learning Toolbox的利与弊

选择MATLAB而非Python，并非技术上的倒退，而是基于特定场景的务实考量。

优势方面：

1. 无缝集成：如果你的数据源来自Simulink仿真、仪器采集工具箱（如Data Acquisition Toolbox）、图像处理工具箱，或者需要频繁调用各种数学计算和信号处理函数（如小波变换、频谱分析），MATLAB提供了零成本的交互。数据无需导出为CSV或HDF5再读入另一个平台，避免了格式转换的麻烦和潜在的数据精度损失。
2. 工程化友好：MATLAB的APP设计器、编译器（可将模型打包成独立应用或C/C++库）以及与PLC、嵌入式代码生成的衔接（通过MATLAB Coder），对于需要将模型部署到生产环境或嵌入式设备的工程项目来说，链路更短，可控性更强。
3. 调试与可视化：Deep Learning Toolbox提供了训练进度图、激活可视化、梯度流分析等工具，与MATLAB强大的绘图能力结合，调试和分析模型行为非常直观。特别是analyzeNetwork函数，可以一键生成网络结构分析图，清晰展示数据流和层尺寸变化。

面临的挑战与应对：

1. 灵活性相对受限：相比PyTorch的动态图，MATLAB的dlarray和层图方式定义网络，在实现一些极其定制化的层或复杂动态结构时，需要编写更底层的自定义层。我们的方案通过封装一些常用的多输入融合层（如拼接、加权相加）作为自定义层，来弥补这一不足。
2. 社区与预训练模型：生态规模不及Python。我们的策略是，对于基础特征提取，利用MATLAB提供的预训练CNN（如GoogLeNet、ResNet-18，但需注意这些主要用于图像分类）进行迁移学习或特征提取；对于全新的回归结构，则从零开始构建轻量级CNN，更可控。
3. 大数据处理：对于超大规模数据集，MATLAB可能需要依赖datastore对象（如imageDatastore,arrayDatastore）进行流式读取，这对内存管理提出了要求。在项目实现中，我们特别设计了支持datastore输入的训练循环，确保能处理超出内存的数据。

2.2 模型选型：CNN用于回归任务的核心逻辑

很多人对CNN的印象停留在图像分类。将其用于回归，尤其是多输入回归，需要转变思路。

CNN的核心价值在于局部特征提取与参数共享。对于一维时序信号（如振动传感器数据），一维卷积核可以捕捉信号中的局部波动模式（如特定频率的振荡）；对于二维数据（如频谱图、二维传感器阵列数据），二维卷积核可以捕捉空间或时频域中的局部相关性。这种能力对于从原始数据中自动学习出对预测目标有效的、层次化的特征表示至关重要，省去了复杂且需要专业知识的传统特征工程。

多输入的设计哲学：所谓“多输入”，是指我们有多个数据源，每个数据源可能维度不同、物理意义不同。例如，预测一台发动机的油耗，我们可能有：1）一维时序的转速、扭矩信号；2）二维的缸内压力热力图（随时间变化）；3）另一组一维的排气温度信号。简单的做法是将所有数据展平拼接成一个巨长的向量输入全连接网络，但这会彻底破坏数据的局部结构，并且参数量爆炸。更优的做法是为每个数据源设计一个特征提取子网络（Subnetwork），通常是若干卷积层和池化层，再将各子网络提取出的高级特征进行融合，最后通过全连接层映射到预测值。这种架构尊重了不同数据源的固有结构。

2.3 整体架构设计图（概念层）

我们的网络架构遵循以下设计范式，下图展示了数据流的逻辑概念：

输入1 (e.g., 1D 时序信号) -> 1D CNN 子网络 -> 高级特征向量1 输入2 (e.g., 2D 频谱图) -> 2D CNN 子网络 -> 高级特征向量2 输入3 (e.g., 1D 其他指标) -> 1D CNN 子网络 -> 高级特征向量3 ↓ 特征融合层 (拼接/加权和) ↓ 若干全连接层 (带Dropout防过拟合) ↓ 输出层 (线性层，输出回归值)

在这个架构中，每个子网络可以根据其输入数据的特性进行独立定制（卷积核大小、层数、通道数）。融合层是关键，它决定了不同模态特征如何交互。项目源码中提供了最常用的拼接（concatenation）融合方式，也实现了注意力加权融合（attention-based fusion）的示例，后者能让网络动态关注对当前预测更重要的输入源。

3. 数据准备与预处理：为多输入CNN定制数据流

在MATLAB中构建多输入模型，数据准备是第一步，也是最容易出错的一步。核心在于创建能被trainNetwork函数或自定义训练循环正确读取的数据存储。

3.1 多输入数据的组织格式

假设我们有N个样本，每个样本有K个不同的输入。MATLAB深度学习工具箱期望的数据格式通常是通过cell array或datastore来组织。

方案一：使用Cell Array（适用于数据可装入内存的情况）这是最直观的方法。我们创建一个N×K的cell数组X，其中X{i, j}代表第i个样本的第j种输入数据。对应的标签（回归目标值）是一个N×M的数值矩阵Y，M是输出维度（单输出则M=1）。

% 假设：1000个样本，3种输入 numSamples = 1000; X = cell(numSamples, 3); % 三输入 Y = zeros(numSamples, 1); % 单输出回归值 for i = 1:numSamples % 输入1: 1x1000 的一维时序数据 X{i, 1} = randn(1, 1000); % 输入2: 64x64 的二维图像/谱图 X{i, 2} = randn(64, 64, 1); % 灰度图，第三维是通道数 % 输入3: 1x50 的另一组一维特征 X{i, 3} = randn(1, 50); % 对应的标签，例如某个性能指标 Y(i) = someFunctionOf(X{i,1}, X{i,2}, X{i,3}); % 示例 end

方案二：使用Combined Datastore（适用于大数据集）当数据量太大时，我们需要使用datastore。MATLAB的combine函数可以将多个datastore合并。

% 为每种输入创建对应的ArrayDatastore或ImageDatastore ds1 = arrayDatastore(Input1Data, 'IterationDimension', 1); % 假设Input1Data是numSamples x 1 x 1000 的3D数组 ds2 = imageDatastore(Input2ImageFolder); % 从文件夹读取二维图像 ds3 = arrayDatastore(Input3Data, 'IterationDimension', 1); % 合并成一个多输入datastore cds = combine(ds1, ds2, ds3); % 为标签创建datastore dsLabels = arrayDatastore(Y, 'IterationDimension', 1); % 最终组合成带标签的datastore trainingData = combine(cds, dsLabels);

注意：使用combine时，read函数返回的是一个1xK的cell数组，其中前K-1个元素是输入，最后一个元素是标签。在自定义训练循环中需要仔细处理。

3.2 数据标准化与增强

标准化（Normalization）：对于回归任务，特别是当输入数据量纲差异巨大时（比如电压值是0-5，温度是0-1000），必须进行标准化。通常对每个输入通道独立进行Z-score标准化（减均值除以标准差）。可以在数据预处理阶段完成，也可以通过网络中的normalizationLayer来实现。我推荐在输入网络前完成，更清晰可控。

% 计算训练集的均值和标准差 meanInput1 = mean(cat(2, X{:,1}), 2); stdInput1 = std(cat(2, X{:,1}), 0, 2); % 标准化所有数据（包括验证集和测试集） for i = 1:numSamples X{i,1} = (X{i,1} - meanInput1) ./ stdInput1; % 同理处理其他输入... end

数据增强（Data Augmentation）：对于图像类输入，可以使用imageDataAugmenter进行随机旋转、平移、缩放等，增加泛化能力。对于一维时序信号，可考虑加入轻微的高斯噪声、随机时间偏移或幅度缩放。项目源码中包含了一个自定义的时序数据增强函数示例。

4. 网络层定义与模型搭建：构建多输入CNN回归网络

这是项目的核心。我们将使用MATLAB的layerGraph对象来构建一个有向无环图，以支持多输入。

4.1 定义输入层与子网络

首先，为每个输入定义imageInputLayer（用于2D/3D数据）或sequenceInputLayer（用于1D序列数据，但更常用于RNN）。对于简单的1D数组，我们通常使用imageInputLayer并将其高度设为1，宽度设为序列长度，通道数为1，将其视为特殊的“图像”。

% 输入1: 1D 时序信号，长度1000，视为 1x1000x1 的“图像” input1 = imageInputLayer([1 1000 1], 'Name', 'input1', 'Normalization', 'none'); % 已在外部标准化 % 输入2: 2D 灰度图像，64x64 input2 = imageInputLayer([64 64 1], 'Name', 'input2', 'Normalization', 'none'); % 输入3: 1D 特征，长度50，视为 1x50x1 input3 = imageInputLayer([1 50 1], 'Name', 'input3', 'Normalization', 'none'); % 为每个输入构建特征提取子网络 % 子网络1: 用于1D时序信号 layers1 = [ input1 convolution2dLayer([1 5], 16, 'Padding', 'same', 'Name', 'conv1_1') % 1D卷积，核高1，宽5 batchNormalizationLayer('Name', 'bn1_1') reluLayer('Name', 'relu1_1') maxPooling2dLayer([1 2], 'Stride', [1 2], 'Name', 'pool1_1') convolution2dLayer([1 3], 32, 'Padding', 'same', 'Name', 'conv1_2') batchNormalizationLayer('Name', 'bn1_2') reluLayer('Name', 'relu1_2') globalAveragePooling2dLayer('Name', 'gap1') % 输出 1x1x32 flattenLayer('Name', 'flat1') % 输出 32 维向量 ]; % 子网络2: 用于2D图像 layers2 = [ input2 convolution2dLayer(3, 32, 'Padding', 'same', 'Name', 'conv2_1') batchNormalizationLayer('Name', 'bn2_1') reluLayer('Name', 'relu2_1') maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool2_1') convolution2dLayer(3, 64, 'Padding', 'same', 'Name', 'conv2_2') batchNormalizationLayer('Name', 'bn2_2') reluLayer('Name', 'relu2_2') globalAveragePooling2dLayer('Name', 'gap2') % 输出 1x1x64 flattenLayer('Name', 'flat2') % 输出 64 维向量 ]; % 子网络3: 另一个1D输入，可以设计得更简单 layers3 = [ input3 convolution2dLayer([1 3], 8, 'Padding', 'same', 'Name', 'conv3_1') reluLayer('Name', 'relu3_1') flattenLayer('Name', 'flat3') % 输出 8*50=400 维向量？注意这里没有池化层 fullyConnectedLayer(20, 'Name', 'fc_embed3') % 再加一个全连接层降维到20 reluLayer('Name', 'relu_fc3') ];

4.2 特征融合与回归头设计

接下来，我们需要将三个子网络的输出特征向量融合起来。

% 方法一：拼接融合 (Concatenation) concatLayer = concatenationLayer(1, 3, 'Name', 'concat'); % 在维度1（特征维度）拼接3个输入 % 方法二：加权和融合 (需要自定义层，项目源码中提供) % 这里以拼接为例继续构建网络 % 回归头：全连接层组合 regressionHead = [ fullyConnectedLayer(128, 'Name', 'fc1') batchNormalizationLayer('Name', 'bn_fc1') reluLayer('Name', 'relu_fc1') dropoutLayer(0.5, 'Name', 'dropout1') % 防止过拟合 fullyConnectedLayer(64, 'Name', 'fc2') reluLayer('Name', 'relu_fc2') dropoutLayer(0.3, 'Name', 'dropout2') fullyConnectedLayer(1, 'Name', 'fc_final') % 输出层，神经元数等于预测目标维度 regressionLayer('Name', 'output') % 回归任务损失层 ];

4.3 使用layerGraph组装完整网络

将上述所有层组装成一个完整的层图。

lgraph = layerGraph(layers1); % 以第一个子网络为起点 lgraph = addLayers(lgraph, layers2(2:end)); % 添加子网络2的层（不含input2） lgraph = addLayers(lgraph, layers3(2:end)); % 添加子网络3的层（不含input3） lgraph = addLayers(lgraph, concatLayer); lgraph = addLayers(lgraph, regressionHead); % 连接层：将各子网络的输出连接到融合层 lgraph = connectLayers(lgraph, 'flat1', 'concat/in1'); lgraph = connectLayers(lgraph, 'flat2', 'concat/in2'); lgraph = connectLayers(lgraph, 'relu_fc3', 'concat/in3'); % 注意是子网络3的最后一个层输出 % 连接融合层到回归头 lgraph = connectLayers(lgraph, 'concat', 'fc1'); % 添加独立的输入层到对应的子网络起点 lgraph = addLayers(lgraph, input2); lgraph = addLayers(lgraph, input3); lgraph = connectLayers(lgraph, 'input2', 'conv2_1'); lgraph = connectLayers(lgraph, 'input3', 'conv3_1'); % 分析网络结构 analyzeNetwork(lgraph)

运行analyzeNetwork后，MATLAB会生成一个交互式网络结构图，你可以清晰地看到三个独立的输入流如何汇聚到concat层，再经过全连接层输出。这是确保连接正确的关键一步。

5. 模型训练、调参与验证策略

网络搭建好后，训练过程的配置同样重要，尤其是对于多输入和回归任务。

5.1 训练选项（Training Options）精细配置

options = trainingOptions('adam', ... % 对于回归任务，Adam通常是好的起点 'InitialLearnRate', 1e-3, ... % 学习率从1e-3开始 'MaxEpochs', 150, ... % 最大迭代轮次 'MiniBatchSize', 32, ... % 根据GPU内存调整。多输入数据可能更耗内存。 'Shuffle', 'every-epoch', ... % 每轮打乱数据 'ValidationData', {XVal, YVal}, ... % 验证集，格式需与训练集X一致 'ValidationFrequency', 30, ... % 每30次迭代验证一次 'Verbose', true, ... % 显示训练信息 'VerboseFrequency', 30, ... 'Plots', 'training-progress', ... % 绘制训练过程图 'ExecutionEnvironment', 'auto', ... % 自动选择GPU或CPU 'LearnRateSchedule', 'piecewise', ... 'LearnRateDropFactor', 0.5, ... 'LearnRateDropPeriod', 50, ... % 每50轮学习率减半 'L2Regularization', 1e-4, ... % 权重衰减，防止过拟合 'GradientThreshold', 1, ... % 梯度裁剪阈值，防止梯度爆炸 'CheckpointPath', tempdir); % 保存检查点，防止训练中断

关键参数解析：

• MiniBatchSize：多输入模型每个样本的数据量较大，需要根据GPU内存谨慎设置。如果内存不足，MATLAB会报错。可以从16或32开始尝试。
• ValidationData：验证集用于监控模型在未见数据上的表现，防止过拟合。其格式必须与训练集X完全一致（例如，同样是NxK的cell数组）。
• LearnRateSchedule：使用分段下降策略，在训练后期降低学习率有助于模型收敛到更优的局部最优点。
• L2Regularization：回归模型容易过拟合，加入L2正则化（权重衰减）至关重要。

5.2 执行训练与监控

[net, trainInfo] = trainNetwork(X, Y, lgraph, options);

trainNetwork函数会自动处理多输入层图。训练过程中，关注training-progress图中的两条曲线：

1. 训练损失（Training Loss）：应稳步下降。
2. 验证损失（Validation Loss）：理想情况下也应下降，并与训练损失逐渐接近。如果验证损失在若干轮后开始上升，而训练损失持续下降，这是典型的过拟合信号。

5.3 应对过拟合：实用技巧

多输入CNN回归模型参数多，容易过拟合。除了L2正则化和Dropout，还有以下方法：

• 早停（Early Stopping）：根据trainInfo中的验证损失，手动实现或在trainingOptions中设置'OutputFcn'回调函数，当验证损失连续多个epoch不下降时停止训练。
• 数据增强：如前所述，对训练数据进行合理的增强。
• 简化网络：减少各子网络的卷积层通道数或全连接层神经元数。
• 获取更多数据：这是最根本的方法。

6. 模型评估、预测与部署

训练完成后，我们需要系统地评估模型，并学会如何使用它进行预测。

6.1 模型评估指标

对于回归任务，常用的指标有：

• 均方误差（MSE）：mean((Y_pred - Y_true).^2)。损失函数常用此，值越小越好。
• 均方根误差（RMSE）：sqrt(MSE)。与目标值同量纲，更直观。
• 平均绝对误差（MAE）：mean(abs(Y_pred - Y_true))。对异常值不如MSE敏感。
• 决定系数（R²）：1 - sum((Y_true - Y_pred).^2) / sum((Y_true - mean(Y_true)).^2)。越接近1，模型解释力越强。

在MATLAB中计算：

% 预测测试集 YPred = predict(net, XTest); % XTest格式需与X相同 % 计算指标 mse = mean((YPred - YTest).^2); rmse = sqrt(mse); mae = mean(abs(YPred - YTest)); ss_res = sum((YTest - YPred).^2); ss_tot = sum((YTest - mean(YTest)).^2); r2 = 1 - (ss_res / ss_tot); fprintf('测试集 MSE: %.4f, RMSE: %.4f, MAE: %.4f, R²: %.4f\n', mse, rmse, mae, r2);

6.2 使用模型进行单样本预测

训练好的net是一个DAGNetwork对象。进行预测时，输入必须是一个cell数组，其中每个元素对应一个输入。

% 假设有一个新样本 newSampleInput1 = randn(1, 1000); % 已标准化 newSampleInput2 = randn(64, 64, 1); newSampleInput3 = randn(1, 50); % 组织成cell数组，注意顺序要与网络输入层定义一致 newSampleCell = {newSampleInput1, newSampleInput2, newSampleInput3}; % 预测 predictedValue = predict(net, newSampleCell);

6.3 模型部署与集成

1. 生成独立应用：使用MATLAB Compiler将包含预测代码的脚本或函数打包成独立的桌面应用（.exe等），分享给没有MATLAB的同事。
2. 生成C/C++代码：使用MATLAB Coder，可以将预测部分的代码（通常是经过predict调用的函数）自动转换为优化的C/C++代码，集成到嵌入式系统或其他软件中。注意：并非所有深度学习层都支持代码生成，需要查阅MATLAB Coder的兼容性列表。自定义层需要提供相应的C++代码。
3. 导出为ONNX格式：使用exportONNXNetwork函数将训练好的网络导出为ONNX格式，从而可以在支持ONNX的其他框架（如ONNX Runtime, TensorFlow, PyTorch）中运行。这是跨平台部署的通用方案。

7. 实战避坑指南与常见问题排查

基于多个项目的实战经验，我总结了一些在多输入CNN回归项目中极易踩坑的地方和解决方法。

7.1 数据维度不匹配错误

这是最常见的问题。错误信息常类似于“Error using trainNetwork: The input data for layer 'conv1_1' has invalid size...”或“Error in concatenation layer 'concat': All inputs must have the same number of dimensions...”。

排查步骤：

1. 使用analyzeNetwork：在训练前，用analyzeNetwork(lgraph)仔细检查网络每一层的输出尺寸。确保各子网络最终输出到融合层的特征向量维度是你预期的。
2. 检查输入数据尺寸：确保你的训练数据X{i, j}的尺寸与对应imageInputLayer中定义的尺寸完全一致。例如，对于[64, 64, 1]的输入层，数据必须是高度x宽度x通道数 = 64x64x1的三维数组。一维数据[1, 1000]需要表示为1x1000x1。
3. 检查融合层输入：concatenationLayer要求所有输入在非拼接维度上尺寸一致。例如，在特征维度（第1维）拼接，那么其他所有维度（如第2、3维，如果有）必须相同。通常经过flattenLayer或globalAveragePooling2dLayer后，输出都是[batchSize, numFeatures]的二维形式（在层分析图中显示为“SSCB”格式，其中S是空间维度，C是通道，B是批次），拼接时需确保numFeatures维度以外的维度为1。

7.2 训练损失为NaN或爆炸

这通常意味着学习率太高、数据未标准化、或网络中存在数值不稳定（如梯度爆炸）。

解决方案：

1. 降低学习率：将InitialLearnRate从1e-3降至1e-4或1e-5。
2. 严格进行数据标准化：确保每个输入通道都进行了Z-score标准化。检查数据中是否存在异常大或异常小的值（如Inf,NaN）。
3. 添加梯度裁剪：在trainingOptions中设置'GradientThreshold'，例如设为1。
4. 使用批量归一化层：在每个卷积层后添加batchNormalizationLayer，它能有效稳定训练过程，允许使用更高的学习率。
5. 检查损失函数：回归任务默认使用均方误差（MSE）。如果你的目标值范围非常大，MSE可能会产生巨大梯度。可以考虑对目标值Y也进行标准化（预测后再反标准化），或尝试使用平滑L1损失（需自定义损失层）。

7.3 模型性能不佳（欠拟合或过拟合）

欠拟合（训练和验证损失都高）：

• 现象：训练损失下降缓慢，最终仍处高位。
• 对策：
  • 增加网络容量（更多层、更多通道）。
  • 减少正则化强度（降低L2正则化系数，减少Dropout率）。
  • 延长训练时间（增加MaxEpochs）。
  • 检查特征有效性：可能当前输入数据本身与预测目标相关性不强。

过拟合（训练损失低，验证损失高）：

• 现象：训练损失持续下降，验证损失先降后升。
• 对策：
  • 增强正则化（增加L2系数、增加Dropout率）。
  • 使用更激进的数据增强。
  • 简化网络结构（减少层数或通道数）。
  • 收集更多训练数据。
  • 采用早停法。

7.4 自定义层的实现与集成

当内置层无法满足需求时（如注意力融合层），需要编写自定义层。要点如下：

1. 继承nnet.layer.Layer。
2. 在构造函数中定义层属性，如可学习参数。
3. 实现predict方法：定义前向传播逻辑。
4. （可选）实现backward方法：如果层包含需要训练的参数，必须实现此方法以计算梯度。对于不含参数的层（如自定义激活函数），可不实现。
5. 将自定义层集成到layerGraph：和内置层一样使用。

项目源码中提供了一个简单的通道注意力融合层示例，它学习每个输入特征的权重，进行加权求和，而不是简单拼接。

7.5 内存不足（Out of Memory）问题

处理多输入、大批量数据时极易遇到。

1. 减小MiniBatchSize：这是最直接有效的方法。
2. 使用datastore：将数据保存在硬盘上，使用combine和transform函数进行流式读取和预处理，避免一次性加载所有数据到内存。
3. 降低数据精度：使用single精度（单精度）而非默认的double精度存储和计算数据。可以在数据加载时转换：X = single(X);。MATLAB的深度学习默认支持单精度。
4. 清理内存：在训练循环前使用clear命令清理不用的变量，并使用gpuDevice(1)重置GPU内存（如果使用GPU）。

8. 项目源码结构与应用扩展建议

提供的完整源码包不仅包含上述核心代码，还按照工程化项目组织，便于理解和复用。

典型项目结构：

MultiInput_CNN_Regression/ ├── data/ │ ├── prepare_data.m % 数据生成或加载、预处理、划分脚本 │ └── sample_data.mat % 示例数据 ├── models/ │ ├── create_multi_input_cnn.m % 主网络构建函数 │ ├── attention_fusion_layer.m % 自定义注意力融合层 │ └── custom_loss_layer.m % （示例）自定义损失层 ├── utils/ │ ├── normalize_data.m │ ├── evaluate_metrics.m │ └── plot_results.m ├── training/ │ └── train_and_validate.m % 训练与验证主脚本 ├── deployment/ │ ├── predict_single.m % 单样本预测函数 │ └── export_to_onnx.m % 模型导出脚本 └── main_demo.m % 主运行示例，从数据到评估的完整流程

应用扩展建议：

1. 输入模态扩展：当前支持1D和2D输入。你可以轻松扩展以支持3D输入（如视频帧、三维体数据），只需使用imageInputLayer并指定3个空间维度（如[128, 128, 64, 1]），并相应使用3D卷积层convolution3dLayer。
2. 输出扩展：从单输出回归扩展到多输出回归（多任务学习）。只需修改输出层的fullyConnectedLayer，使其神经元数量等于输出变量总数，例如预测发动机的油耗、功率、排放三个指标，则设为3。
3. 混合模型：对于某些输入（如长序列），CNN可能不是最优的。可以考虑将CNN与LSTM结合：用CNN子网络提取局部空间/时域特征，然后将特征序列输入LSTM层捕捉长期时序依赖，最后接全连接层输出。MATLAB的sequenceInputLayer和lstmLayer可以与此框架结合。
4. 贝叶斯深度学习：为回归结果提供不确定性估计。可以尝试使用MATLAB的Bayesian Optimization Toolbox来对网络权重进行变分推断，或者使用蒙特卡洛Dropout（在预测时多次开启Dropout进行前向传播，将结果的方差作为不确定性度量）。

这个项目的价值在于提供了一个可复用的、模块化的框架。你不需要每次都从头开始设计网络连接和数据管道，只需替换数据加载模块、微调子网络结构，就能快速将其应用到你的特定多输入回归问题上。在MATLAB生态内完成所有工作，能极大提升在工程导向场景下的开发效率和系统集成度。

本文还有配套的精品资源，点击获取