如何把电脑训练好的神经网络移植到app上
谷歌人工智能写作项目：神经网络伪原创
如何把电脑训练好的神经网络移植到app上
有两个思路写作猫。
一个online方式：移动端做初步预处理，把数据传到服务器执行深度学习模型，现在很多APP都是这个思路, 优点是这个方式部署相对简单，现成的框架（caffe，theano，mxnet，Torch) 做下封装就可以直接拿来用，服务器性能大, 能够处理比较大的模型，缺点是必须联网。
另外一种是offline方式：根据硬件的性能，部署适当的模型。优点是可以离线执行。
缺点也是明显的，1）受限硬件，可能要运行个阉割版的模型 ，对模型精度会有一定的影响； 2) 要移植现成框架到移动平台比较麻烦, 各种依赖的剥离很痛苦，mxnet有个Android app的例子（Leliana/WhatsThis · GitHub), Torch 7也个Android版本soumith/torch-android · GitHub，可以参考下，当然如果编程能力强的话，自己写个网络前传的代码。
如何把电脑训练好的神经网络移植到app上
这个要重新编写程序了。如果你的电脑的程序与手机的APP程序不兼容就没法了。
还是就是如果匹配了那些文件一般要写入APP程序的某个文件里，首先你要找到你电脑程序写入的文件，然后在复制到手机APP的程序写入的地方方便读取就可以了。
NeuroSolutions for Excel这个功能可以实现多种神经网络嘛？
神经网络是一种能适应新环境的系统，它针对过去经验 (信息)的重覆学习，而具有分析、预测、推理、分类等能力，是当今能够仿效人类大脑去解决复杂问题的系统，比起常规的系统(使用统计方法、模式识别、分类、线性或非线性方法)而言，以神经网络为基础的系统具有更强大的功能和分析问题技巧，可以用来解决信号处理、仿真预测、分析决策等复杂的问题。
目前，神经网络已被广泛应到了数据密集型企业。本文主要介绍神经网络的应用领域以及推荐一款目前市场上功能最强大的神经网络软件NeuroSolutions。
神经网络的应用领域流程建模与控制（Process Modeling and Control ）为物理设备创建一个神经网络模型，通过该模型来决定设备的最佳控制设置。
机器故障诊断（Machine Diagnostics ）当检测到机器出现故障时，系统可以自动关闭机器。
证券管理（Portfolio Management）以一种高回报、低风险的方式分配证券资产进行投资。
目标识别（Target Recognition）通过视频或者红外图像数据检测是否存在敌方目标，被广泛运用于军事领域。
医学诊断（Medical Diagnosis）通过分析报告的症状和MRI、X-射线图像数据，协助医生诊断。信用评级（Credit Rating）根据财务状况，自动对公司或者个人进行信用评级。
目标市场（targeted marketing）根据统计学，找出对营销活动反响率最高的人群。语音识别（Voice Recognition）将语音转换为 ASCII 文本。
经济预测（Financial Forecasting）通过历史安全数据预测未来经济活动的安全性。
质量控制（Quality Control ）将照相机或传感器绑定到生产过程的最后环节，自动检查产品是否有缺陷。
智能搜索（Intelligent Searching ）互联网搜索引擎会基于用户过去的行为提供最相关的内容和广告。欺诈检测（Fraud Detection）检测信用卡欺诈交易，并自动拒绝付款。
光学字符识别（OCR）在人工神经网络介绍及OCR软件应用举例一文中提到，打印的文档被扫描并转换为电子格式，例如ASCII文本，易于操作和/或更有效地存储。
神经网络软件推荐NeuroSolutions是最热门的神经网络仿真软件，它可以协助你快速建构出你所要的神经网络、让你方便来训练、测试你的网络。
NeuroSolutions提供了90种以上的视觉化类神经组件，可让使用者任意连接及合成不同的网络架构以实现类神经网络仿真及专业化应用，这样同时兼具视觉化美感的操作界面及强大功能的专业化软件，是其他同等级的产品所望其项背的。
神经网络的应用领域及神经网络软件推荐NeuroSolutions特色功能：1、面向对象，图形人机界面方便使用，可利用拖拉 方式建立出你要的网络模型2、提供NeuralWizard，协助找寻所需要的网络，并自动建构出你所需要的模型3、提供NeuralExpert专家分析系统，以询问方式协助建构网络模型4、NeuroSolutions for Excel，让你可以透过Excel来输入数据，建立网络，测试模型5、具有动态神经网络模型分析。
bp神经网络人口预测程序（matlab实现）
x=[54167 55196 56300 57482 58796 60266 61465 62828 64653 65994 67207 66207 65859 67295 69172 70499 72538 74542 76368 78534 80671 82992 85229 87177 89211 90859 92420 93717 94974 96259 97542 98705 100072 101654 103008 104357 105851 107507 109300 111026 112704 114333 115823 117171 118517 119850 121121 122389 123626 124761 125786 126743 127627 128453 129227 129988 130756 131448 132129 132802 134480 135030 135770 136460 137510]';% 该脚本用来做NAR神经网络预测% 作者：Macer程lag=3; % 自回归阶数iinput=x; % x为原始序列（行向量）n=length(iinput);%准备输入和输出数据inputs=zeros(lag,n-lag);for i=1:n-lag inputs(:,i)=iinput(i:i+lag-1)';endtargets=x(lag+1:end);%创建网络hiddenLayerSize = 10; %隐藏层神经元个数net = fitnet(hiddenLayerSize);% 避免过拟合，划分训练，测试和验证数据的比例net.divideParam.trainRatio = 70/100;net.divideParam.valRatio = 15/100;net.divideParam.testRatio = 15/100;%训练网络[net,tr] = train(net,inputs,targets);%% 根据图表判断拟合好坏yn=net(inputs);errors=targets-yn;figure, ploterrcorr(errors) %绘制误差的自相关情况（20lags）figure, parcorr(errors) %绘制偏相关情况%[h,pValue,stat,cValue]= lbqtest(errors) %Ljung－Box Q检验（20lags）figure,plotresponse(con2seq(targets),con2seq(yn)) %看预测的趋势与原趋势%figure, ploterrhist(errors) %误差直方图%figure, plotperform(tr) %误差下降线%% 下面预测往后预测几个时间段fn=7; %预测步数为fn。
f_in=iinput(n-lag+1:end)';f_out=zeros(1,fn); %预测输出% 多步预测时，用下面的循环将网络输出重新输入for i=1:fn f_out(i)=net(f_in); f_in=[f_in(2:end);f_out(i)];end% 画出预测图figure,plot(1949:2013,iinput,'b',2013:2020,[iinput(end),f_out],'r') 图1自相关 图2误差 图3预测 上面的程序是可以通用的，只要你根据自己需要是可以修改用在其他地方的，基本思想就是用前lag年的人口数来预测下一年的人口，至于lag等于几你是可以自己改的。
还有在对结果好坏的判断中，仅仅看误差图是不够的，如果是一个好的预测，那么自相关性图中除了0阶自相关外，其他的自相关系数系数都不应该超过上下置信区间。
还有其他的统计量和图表都都写在”%“后面了，如果需要，去掉就可用。
最后的预测值为f_out，我的预测值为138701.065269972 139467.632609654 140207.209707364 141210.109373609 141981.285378849 142461.332139592 143056.073139776。
【神经网络时间序列】请教NAR网络预测问题，谢谢
NAR网络是只有y(t),NARX网络是有x(t)和y(t).对于NAR网络来说，其只能够输出相对于延迟向量的下一个值。故需要用循环不断更新集合，把时间步往前推进。
T=tonndata(force,false,false); %输入和输出矩阵须为cell类型的矩阵，且不能用num2cell来转换，如果使用二维cell矩阵，将会被认为是两个输入从而不能训练.假设force数据集只有50个（一行）。
force_raw=T(1:30); %创造一个1*30的Xi，与延迟向量1:30对应起来。为已知矩阵。
for j=1:50 %y1的前20个是对照着force里面第31个到50个，加上可以预测后面30个数据。
y1(j)=net(T(10),force_raw); %这里还需要大神指教，T（10）里面是当前矩阵，数字可以任意取，结果都一样。
只是为了输出一维矩阵force_raw=[force_raw(2:end),y1(j)]; %更新得到新的已知矩阵，为2,3~,30,31，下一步第一行应该是得到第43个。
不断更新即可得到预测值。
matlab神经网络怎么多步预测，滚动预测
求做一个简单的BP神经网络的预测，感激不尽！！！ 100
真是因为外推能力有限，所以希望采用外推模型即：P=（数据1~数据n） T=（数据n~数据n+m）的方式使得数据输入/输出在范围内比如P=[一月降水，二月降水`五月降水，二月降水，三月降水。
`六月降水……]T=[六月降水，七月降水……]训练完毕后由于降水情况在某个范围内，不具有一直延伸的特性用[六月降水，七月降水。
`十一月降水]能推出[十二月降水]故可以控制在样本范围附近如果一直外延如P=[1,2,3,4,5],T=[一月降水，二月降水`五月降水];则6无法推得六月降水不懂请继续追问。
如何把电脑训练好的神经网络移植到app上
你是训练还是使用训练好的网络。若果是训练的话，就看你的训练数据的大小。 我之前10万条数据，22个输入，1个输出。用matlab训练，也是一般的家用电脑就可以了。
若果只是使用训练好的神经网络， 对配置根本谈不上要求！对每一个输入的预测只是简单的算术运算。《神经网络之家》