2.神經網路的訓練
intcvann_mlp::train(constmat& inputs,constmat& outputs,
constmat& sampleweights,constmat& sampleidx=mat(),
cvann_mlp_trainparams params=cvann_mlp_trainparams(),intflags=0 );
1) inputs：輸入矩陣。它儲存了所有訓練樣本的特徵。假設所有樣本總數為nsamples，而我們提取的特徵維數為ndims，
則inputs是乙個nsamples∗ndims的矩陣，每個樣本的特徵佔一行。
2) outputs：輸出矩陣。我們實際在訓練中，我們知道每個樣本所屬的種類，假設一共有nclass類。那麼我們將outputs設定為
乙個nsample*nclass列的矩陣，每一行表示乙個樣本的預期輸出結果，該樣本所屬的那類對應的列設定為1，其他都為0。
比如我們需要識別0-9這10個數字，則總的類數為10類，那麼樣本數字「3」的預期輸出為[0,0,1,0,0,0,0,0,0,0];
3) sampleweights：乙個在使用rprop方法訓練時才需要的資料，所以這裡我們不設定，直接設定為mat()即可。
4) sampleidx：相當於乙個遮罩，它指定哪些行的資料參與訓練。如果設定為mat()，則所有行都參與。
5) params：這個在剛才已經說過了，是訓練相關的引數。
3.神經網路的測試
float
cvann_mlp
::predict
(const
mat&
inputs
,mat
&outputs
)
影象進行特徵提取，把它儲存在inputs裡，通過呼叫predict函式，我們得到乙個輸出向量，它是乙個1*nclass的行向量，
其中每一列說明它與該類的相似程度（0-1之間），也可以說是置信度。
我們只用對output求乙個最大值，就可得到結果。
這個函式的返回值是乙個無用的float值，可以忽略。
BP神經網路
基本bp神經網路演算法包括 訊號的前向傳播 誤差的反向傳播 也即計算實際輸出時按照輸入到輸出的方向進行，權值閾值調整則相反。bp是一種多層前饋神經網路，由輸入層 隱含層和輸出層組成。層與層之間有兩種訊號在流動 一種是從輸入流向輸出的工作訊號，是輸入和權值的函式 另一種是輸入流向輸出的訊號，即誤差。隱...
BP神經網路
x 為輸入向量，y為隱藏層的神經元，z 為輸出層,d為目標真實值,本文預設 z 不經過sigmod處理。x y的權重為 w,y z的權重為 v yj ix iwij 1 oyi f y j 2 其中激勵函式f x 1 1 e x f x f x 1 f x 3 z k j f yj vjk 此時系統...
BP神經網路
bp是back propagation bp神經網路主要的演算法在於誤差反向傳播error backpropagation 有三層 輸入層 input 隱含層 hidden 輸出層 output 輸入層 n個神經元 隱含層 p個神經元 輸出層 q個神經元 輸入向量 x x1,x2,x n 隱含層輸入...