为什么谈论深度学习工具时，很少有人讨论matlab的神经网络工具包
首先深度学习不光是在学术界非常火热, 在工业界也有着大量的运用, 这就要求深度学习框架要方便在服务器上部署, 而这个恰恰是Matlab的软肋, 想象一下你前端用个Django做个页面接受用户输入的图像, 后端跟Matlab交互... 当然我并不是说这无法实现, 我也曾经用MATLAB做过网站的后台, 踩坑无数...。
谷歌人工智能写作项目：神经网络伪原创
Matlab里的神经网络是什么意思啊，我是新手，谁能简单通俗地解释下啊？谢谢了！！！
所谓神经网络算法顾名思义是模拟生物神经网络而产生的一种算法，首先需要用一些已知的数据输入到神经网络中，使它知道什么样的数据属于哪一类（训练），然后将未知的数据输入进去，神经网络通过已知的数据对其进行判断来完成分类（分类）写作猫。
可以用来进行图像识别、分类；数据预测；曲线拟合等。推荐找本机器学习，人工智能方面的书看。
为什么不用matlab做深度学习？
matlab可以做深度学习，但是从实用性的角度来讲matlab的实现效率相对较低，训练耗时较长。初次学习计算机语言就选择matlab不是一个明智的选择，最好选用C或者Basic作为入门语言。
matlab是一种傻瓜式的计算机语言，具有强大的函数库，能够方便地进行图像处理、数学计算（包括符号变量组合成的表达式的运算）、仿真等等。
MATLAB是一门计算机编程语言，取名来源于Matrix Laboratory，本意是专门以矩阵的方式来处理计算机数据，它把数值计算和可视化环境集成到一起，非常直观，而且提供了大量的函数，使其越来越受到人们的喜爱，工具箱越来越多，应用范围也越来越广泛。
您好,请问关于matlab中神经网络问题
不知道你问的是什么意思。我试着解答一下，P1代表第一个输入 ，P2代表第二个输入，当训练好后，将两个输入输入到网络，网络就输出目标goal。
实际就是有一个函数goal = f(p1,p2),当你输入这个P1，P2的时候，就会根据函数得到goal。
matlab中BP神经网络OCR识别？
单看错误率分析不出来什么，可能是样本量太少，也可能是别的原因。可以把错误识别的样本拿出来，看看是哪些地方导致的错误，再有针对性的改进。
还可能是特征工程不到位，特征选取的不好，不满足尺度不变性、旋转不变性、仿射不变性三个要素，说白了就是，大小变了，旋转的角度变了，拍照的时候站的位置不同导致对车牌的透视发生变化了，然后可能就识别不出来了。
所以可以考虑找一个更好的描述特征的方法，比如HoG（方向梯度直方图）。
HoG，简单说就是，相邻的两个像素值做个减法，就可以表示颜色的变化，那么一个像素周围，上下、左右各有两个像素，就可以分别做两个减法，得到两个值，就像力学里两个力可以合并一样，这两个值也可以合并，得到方向，和大小（就是梯度），这样就有了一个像素的特征。
但是特征太多计算量太大，就用统计的方法减少下特征，首先把图片划分成网格的形式，就像是在图像上画围棋线一样，然后每个方格内单独统计一下，方向在0-20角度内的像素的梯度的和是多少，依次类推，就得到了直方图，如果以20度为一个直方的话，那么180度就可以划分成9个直方，也就是9个特征，这样一个方格内的特征数量就与像素的数量无关了，而是固定了的。
然后就是关于HoG的其他手段了，比如为了消除光照变化，可以对特征向量做归一化等。
另外还可以对HoG可视化，在每个方格内，用线的方向和长度代替特征的方向和梯度，最后呈现的效果是，有若干个方格，每个方格内都好像有一个沿原点对称的星星，这样做对分析算法效果有一定帮助。
HoG是比较常见的特征描述子了，在行人检测上用的比较多。除了HoG，还有SIFT、SURF等特征描述子，这些都是计算机视觉中的内容了，属于特征检测的范畴。
计算机视觉主要包括二值化、滤波器、特征检测、特征匹配等一些基础的手段，然后就是图像滤镜、图像分割、图像识别、图像生成等具体的应用算法。
由于近年来计算成本降低导致神经网络的再度崛起，计算机视觉的研究热点已经转为深度神经网络的各种改进和性能优化上了，像HoG已经是05年的事情了。
关于车牌识别（LPR），如果环境不复杂，是可以做到接近100%的准确率的，如果环境较为复杂，95%以上准确率应该是可以做到的。总的来说，基本已经实现应用落地和商用了。
现在的方法基本都是深度学习，端到端一气呵成，无需专门提取特征，传统的模式识别方法已经GG。说的比较细。
如果只是关心结果的话，Github上可以找到关于车牌识别的一些开源项目，比如openalpr之类的，当然也是采用深度学习的办法，炼丹嘛，就是这么直接。
matlab中神经网络怎么使用
在学习用matlab深度学习工具包，想知道怎么才能训
工具包中有tests文件夹，其中NN.m使用非深度学习的神经网络进行训练；CNN,DBN,SAE分别是采用卷积神经网络，深度信念网络和堆栈稀疏编码来在神经网络前加上深度学习的内容来提取特征值。
运行任一个程序都可以。
matlab 神经网络
net=newff(pr,[3,2],{'logsig','logsig'}); %创建 一个bp 神经网络 = 10; %显示训练迭代过程 = 0.05; %学习速率0,05 = 1e-10; %训练精度net.trainParam.epochs = 50000; %最大训练次数net = train(net,p,goal); %训练结果要么接近于1 ，要么就是0，就这俩类啊，这就是分类结果；每次都有些差异 很正常，只要不大。