⑴ 神经网络经过训练后如何查看训练出来的函数matlab的
用net.iw{1,1}函数输出权值矩阵，按列求平均算出各个变量的权重。你去中国知网搜索
bp神经网络高等学校标准学费，记得是有这么的相关文献的！
⑵ 如何看MATLAB运行神经网络的结果
如何看MATLAB运行神经网络的结果
从图中Neural
Network可以看出，你的网络结构是两个隐含层，2-3-1-1结构的网络，算法是traindm，显示出来的误差变化为均方误差值mse。经过482次迭代循环完成训练，耗时5秒。相同计算精度的话，训练次数越少，耗时越短，网络结构越优秀。达到设定的网络精度0.001的时候，误差下降梯度为0.0046，远大于默认的1e-5，说明此时的网络误差仍在快速下降，所以可以把训练精度目标再提高一些，比如设为0.0001或者1e-5。
⑶ 怎么查看自己搭建的神经网络需要的显存
newrb设计了径向基网络，调用格式：net=newrb[net,tr]=newrb(P,T,goal,spread,MN,DF)P-Q组输入向量组成的R×Q维矩阵；T-Q组目标分类向量组成的S×Q维矩阵；goal-均方误差,默认值为0；spread-径向基函数的扩展速度,默认值为1；MN-神经元的最大数目,默认是QDF-两次显示之间所添加的神经元数目,默认值为25；net-返回值，一个径向基网络；tr-返回值，训练纪录。
⑷ 如何查看matlab训练生成的神经网络的结构和参数。
语句view (net)便可以查看建立的当前神经结构
⑸ 如何查看matlab训练后的神经网络结构
如果是bp网络的话，有两个传递函数，表示是
1、输入层到隐含层的传递函数
2、隐含层到输出层的传递函数
这样看：
net.layers{1}.transferfcn
net.layers{2}.transferfcn
给满分把！
⑹ 用MATLAB的newrb函数建立的神经网络，怎么查看网络参数
newrb设计了径向基网络，调用格式：
net = newrb
[net,tr] = newrb(P,T,goal,spread,MN,DF)
P-Q组输入向量组成的R×Q维矩阵；
T-Q组目标分类向量组成的S×Q维矩阵；
goal-均方误差,默认值为0；
spread-径向基函数的扩展速度,默认值为1；
MN-神经元的最大数目,默认是Q
DF-两次显示之间所添加的神经元数目,默认值为25；
net-返回值，一个径向基网络；
tr-返回值，训练纪录。
⑺ 如何查看matlab神经网络权值矩阵
这个很简单啊，比如说是rbf网络，查看网络权值矩阵方法是：
应该是运行完后，在命令窗口输入
net.b{1}
net.iw{1,1}
net.b{2}
net.lw{2,1}
你可以在命令窗口输入type
newrbe,查看该函数里面的一些参数，把你需要的输出即可
⑻ 卷积神经网络tensorflow怎么读取图像
卷积神经网络（convolutionalneuralnetwork,CNN），最早是19世纪60年代，生物学家对猫视觉皮层研究发现：每个视觉神经元只会处理一小块区域是视觉图像，即感受野。后来到了80年代，日本科学家提出了神经认知机（Neocognitron）的概念，也可以算作是卷积神经网络最初的实现原型，在CS231n的课上说过，卷积神经网络不是一夜产生的，从这个发展过程中我们就可以看出，确实是这样的。卷积神经网络的要点就是局部连接（LocalConnection）、权值共享（Weightsharing）和池化层（Pooling）中的降采样（Down-Sampling）。比如下面是tensorflow卷积定义relu(W*X+B)W矩阵*X矩阵+B矩阵=W权重variable变量*X(placeholder占位符外部输入)variable变量+B偏重变量，因为深度学习会自动不断地计算loss损失BP来调整wb所以wb初始化可以随便全部都是0都行，所以其实就是X以及Y对于X来说其实我们知道就是我们图像数据Y是图像的标签，但是Y需要转为数学可以计算的值，所以采用one-hot数组记录标签的索引就行，比如xx1xx2xx3相应的y1=[1,0,0]y2=[010]y3=[001]那么其实就是X图像的像素通过外部输入placeholder占位符Y值外部输入通过placeholder占位符我们知道W*X矩阵相乘必须符合MXNNXM=MXM也就是说W的列必须与X的行数目相同这是要注意的，所以上一张shape来规范维度计算，下面是一个卷积层定义relu(wx+b)下面是tensorflow来表示relu(wx+b)的公式其中要注意参数strides是卷积滑动的步长你可以配置的系数，下面继续讲X[None,w*h]对于每一个w*h是一个矩阵每一层的w也是一个矩阵每一层的b也是一个矩阵，每一层的输出y1也是一个矩阵y=[w*h]*w+b为了减少系数，我们使用卷积，把它转换成MXN的值，这里就是跟全连接层的不同，使用了卷积转换成了一个MXN的卷积特征而全连接层就是y=wx+b(这里省略了那些relu(wx+b)tanh(wx+b))所以我们现在来看看每一层的w定义因为卷积层的w是需要与w*h提取的MXK来做矩阵相乘所以他是跟卷积核相关以及输入输出相关，对于每一张图像
⑼ 求大神指导，在训练神经网络之后，出现这些是啥意思看不懂
这是net变量的属性展示，相当于对net的解释，不是报错信息，不用管它。
人工神经网络（Artificial Neural Network，即ANN ），是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。