Ⅰ MATLAB神经网络中，多次训练后NET怎么保存
它不过是个结构体，你在当前变量那个框框里找到它->右击->保存为.mat，下次用的时候点load再加载回来就成了（以上操作亦可用 save load 命令在代码里实现），不行的话直保存net的参数，下回用的时候在拿出来赋给新建的net。
Ⅱ 神经网络的结果保存
训练完一个模型后，为了以后重复使用，通常我们需要对模型的结果进行保存。如果用Tensorflow去实现神经网络，所要保存的就是神经网络中的各项权重值。建议可以使用Saver类保存和加载模型的结果。
1、使用tf.train.Saver.save()方法保存模型
sess: 用于保存变量操作的会话。
save_path: String类型，用于指定训练结果的保存路径。
global_step: 如果提供的话，这个数字会添加到save_path后面，用于构建checkpoint文件。这个参数有助于我们区分不同训练阶段的结果。
2、使用tf.train.Saver.restore方法价值模型
sess: 用于加载变量操作的会话。
save_path: 同保存模型是用到的的save_path参数。
下面通过一个代码演示这两个函数的使用方法
假设保存变量的时候是
checkpoint_filepath='models/train.ckpt'saver.save(session,checkpoint_filepath)则从文件读变量取值继续训练是saver.restore(session,checkpoint_filepath)
Ⅲ BP神经网络训练完后 权值能保存么 若能怎么保存
可以，按照自己定义的格式保存到文件中。
Ⅳ 编写神经网络程序，是直接在创建的M文件中写神经网络程序，那怎么对他训练呢还是训练好了
神经网络训练好的只能是网络，而不是程序，但是程序最好写在M文件里，以后要用的时候就不用一次次写了保存网络的话就用save （名字）net
Ⅳ openmv神经网络文件如何放入sd卡中
SD卡也是一个文件系统，当上电的时候，如果插入SD卡，那么SD卡的文件系统就会自动取代内置的Flash文件系统，每次上电，就会运行SD卡中的main.py啦，是不是很直观，很方便。SD卡最大支持32G的容量。
Ⅵ 电脑上文件保存了找不到怎么办
你可以打开文件夹，然后在问价夹的右上方的搜索框搜索保存的文件名进行搜索保存的文件。
Ⅶ bp神经网络的数据存在mat文件里用m文件调用没有问题，把这个m文件转成dll后在c++里调用就会中断，怎么办
Matlab写程序的文件。MATLAB是解释型语言，就是说MATLAB命令行中敲入的命令在当前MATLAB进程中被解释运行。但是，每次执行一个任务时敲入长长的命令序列是很烦人的。有两种方法可以使MATLAB的力量得到扩展——脚本和函数。这两种方法都用像emacs一样的文本编辑器中编写的m文件（因为扩展名是.m所以这样命名，m文件还称点m文件）。m文件的好处在于它可以保存命令，还可以轻易地修改命令而无需重新敲入整个命令行。mat数据格式是matlab的数据存储的标准格式。你可以调用matlab的子程序库，用c或fortan调用mat格式的数据。我给你几个函数名matopen打开mat文件matclose关闭mat文件magetfp取得mat文件的c语言句柄matGetArray取得一个数组具体内容看联机文档
Ⅷ 急问求助。用spss我已经分析好了神经网络模型。如何调用它，输如其他因变量，输出自变量的值
你说错了吧？ 应该是输入自变量，输出因变量。
如果你想在当前打开的文件中，再输版入数据，进行权预测值的输出，应该先输入好自变量，保持因变量字段空缺，再进行一次分析模型（参数不要做任何改变）。
如果你是想在新的文件中进行预测，那就先把模型导出为xml文件。然后打开新数据，然后在‘实用程序’下的菜单栏里点击'评分向导'，把原先保存下来的xml文件导入进来，进行预测。–这个做法和其他模型的使用是一样的。
Ⅸ mahout神经网络怎么用在哪个文件夹下了
berated them for wasting his
Ⅹ data文件应该用什么打开
转自网络。需要知道是哪种数据库格式，一般看后缀就能看出来。要是mdf之类的，只能挂接到sybase或者sqlserver上看了，要是dbase或者vf的dbf，倒是可以用access甚至记事本打开，而且记事本也可以保存。要是oracle的dbf数据文件，那么可以用第三方工具打开，或者挂接到oracle中。ldf不是数据库文件，是sqlserver的日志文件，无法用记事本之类的直接查看。可以通过ldf和一个空数据库文件进行数据的完整恢复。不过如果有了一个数据库mdf的话，那么挂接的时候ldf需要删除掉才可以。1.Numpy与Scipy。这两个包是Python之所以能在数据分析占有一席之地的重要原因。其中Numpy封装了基础的矩阵和向量的操作，而Scipy则在Numpy的基础上提供了更丰富的功能，比如各种统计常用的分布和算法都能迅速的在Scipy中找到。2.Matplotlib。这个Package主要是用来提供数据可视化的，其功能强大，生成的图标可以达到印刷品质，在各种学术会议里面出镜率不低。依托于Python，可定制性相对于其他的图形库更高。还有一个优点是提供互动化的数据分析，可以动态的缩放图表，用做adhoc analysis非常合适。3.Scikit Learn。非常好用的Machine Learning库，适合于用于快速定制原型。封装几乎所有的经典算法(神经网络可能是唯一的例外，不过这个有Pylearn2来补充)，易用性极高。4.Python标准库。这里主要是体现了Python处理字符串的优势，由于Python多功能的属性和对于正则表达式的良好支持，用于处理text是在合适不过的了。基本上就日常使用就涉及这些。符号运算等等也有Sympy和Theano等强力第三方库来支持。总结，Python在你列举这些里面是综合功能最强大的，但是这些功能分散在第三方库里面，没有得到有机的整合，相应的学习成本会较高。
