为什么神经网络都是计算机编程语言编写的？

为什么神经网络都是计算机编程语言写的？

神经网络通常由计算机编程语言编写的原因主要有以下几点：

为什么神经网络都是计算机编程语言编写的？

1. 计算能力：神经网络涉及大量的数算，计算机编程语言可以通过调用硬件资源（例如CPU和GPU）来快速并高效地处理这些运算。

2. 自动化和可重复性：计算机编程语言能够将复杂的任务自动化，使神经网络的训练、测试和使用过程可重复，易于优化和改进。

3. 模块化和抽象：编程语言可以帮助我们将复杂的神经网络任务分解为更小的、可管理的部分，并提供了一种对实现细节进行抽象的方式，使我们能够更专注于问题的逻辑本质。

4. 工具和库支持：许多编程语言都有成熟的库和框架（如TensorFlow、PyTorch等）支持神经网络的实现，这大大减轻了从零开始构建神经网络的工作负担。

5. 社区支持：计算机编程语言通常拥有庞大的用户和开发者社区，这意味着更多的学习资源、问题解答和新功能的开发。

cnn卷积神经网络用什么语言来写pascial

200+

这个是hinton matlab代码的C++改写版. convnetjs - Star,SAE，的肯定是LIBSVM这个库;RBM#47. DeepLearn Toolbox - Star，包括了CNN;C++SVM方面,Ja。

2。

下面主要一些DeepLearning的GitHub项目吧;SdA#47:2200+

实现了卷积神经网络，还实现了Raussen的共轭梯度Conjugate Gradient算法,DBN,C/CRBM/CDBN#47：Python。

3,CAE等主流模型，实现的模型有DBN#47，可以用来做分类，语言是Python;LR等，从算法与实现上都比较全:800+

实现了深度学习网络. rbm-mnist - Star，应该是应用广的机器学习库了，强化学习等. Deep Learning(yusugomo) - Star,Scala:1000+

Matlab实现中热的库存，提供了5种语言的实现。

5;dA#47:500+

这是同名书的配套代码。

4. Neural-Networks-And-Deep-Learning - Star！

1，回归

神经网络研究与应用这块用python好还是matlab？

这两者主要还是需要自己用着顺手。

用matlab的集成开发环境很好,跟踪代码是非常方便也会检查你的错误代码，你不需要像码农一样产品做单元测试代码,基本代码运行几次这完全没有什么问题。如果你只是想学习算法，那么matlab更好，语法简单。如果你已经熟悉了神经网络，需要进行研究想投入应用，数据非常大，还要大量自行设计的模型时，就会容易理解python是多么方便。python语言本身的灵活性为自主设计的模型提供了极大的便利，你想为你的问题编一个算法，也不会花太多的时间，matlab可以做到这一点，但这是非常困难的。在大项目、多人协作等方面比matlab更有优势。

Python主要为代码农户提供脚本环境，基本上是使用互联网公司进行操作和维护的低端代码农民。但由于开源是免费的，它逐渐渗透到学术中，以及更多与科学计算相关的软件包。

Matlab主要为依赖纸张的学术工作者提供一个通用的数值计算平台。的matlab工具箱是稳定的，易于使用，特别是在文件和教程中，当然，matlab并不便宜，主要的问题是使用盗版的便宜，千万要购买正版的产品。

两者各有各的优势，孰强孰弱不好判断，烦这个产品这个东西，自己用着舒心用着顺手就好啦，只要用的是正版的其他不用考虑太多。

请问高手，神经网络模型与学习算法用什么语言编程比较好？JAVA 、C语言还是C++等。谢谢！

个人建议，用Ja，毕竟它对网络的针对性较强，而学习算法可以从C开始再到ja因为从小到较好…

国外一般人工智能用C++，网上资料也很多。

其实都相通的，个人建议用c++

60-R语言中的神经网络

《深度学习精要（基于R语言）》学习笔记

机器学习主要用于开发和使用那些从原始数据中学习、总结出来的用于进行预测的算法。

深度学习是一种强大的多层架构，可以用于模式识别、信号检测以及分类或预测等多个领域。

神经网络包括一系列的神经元，或者叫作节点，它们彼此连结并处理输入。神经元之间的连结经过加权处理，权重取决于从数据中学习、总结出的使用函数。一组神经元的激活和权重（从数据中自适应地学习）可以提供给其他的神经元，其中一些终神经元的激活就是预测。

经常选择的激活函数是sigmoid函数以及双曲正切函数tanh，因为径向基函数是有效的函数逼近，所以有时也会用到它们。

权重是从每个隐藏单元到每个输出的路径，对第i个的输出通过(w_i)表示。如创建隐藏层的权重，这些权重也是从数据中学习得到的。分类会经常使用一种终变换，softmax函数。线性回归经常使用恒等（identity）函数，它返回输入值。权重必须从数据中学习得到，权重为零或接近零基本上等同于放弃不必要的关系。

R中神经网络相关包：

一旦集群完成初始化，可以使用R或本地主机（127.0.0.1:54321）提供的Web接口与它连接。

如果数据集已经加载到R，使用as.h2o()函数：

如果数据没有载入R，可以直接导入到h2o中：

也可以直接导入网络上的文件：

导入基于图片识别手写体数字，数据集的每一列（即特征），表示图像的一个像素。每张图像都经过标准化处理，转化成同样的大小，所以所有图像的像素个数都相同。第一列包含真实的数据标签，其余各列是黑暗像素的值，它用于分类。

使用caret包训练模型：

生成数据的一组预测，查看柱状图：

跟训练集数据柱状图对比，很明显模型不是的。

通过混淆矩阵检查模型性能：

No Information Rate（无信息率）指不考虑任何信息而仅仅通过猜测来决定频繁的类的准确度期望。在情形“1”中，它在11.16%的时间中发生。P值（P-Value [Acc > NIR]）检验了观测准确度（Accuracy : 0.3674）是否显著不同于无信息率（11.16%）。

Class: 0的灵敏度（Sensitivity）可以解释为：89.07%的数字0被正确地预测为0。特异度（Specificity）可以解释为：95.14%的预测为非数字0被预测为不是数字0。

检出率（Detection Rate）是真阳性的百分比，而后的检出预防度（detection prevalence）是预测为阳性的实例比例，不管它们是否真的为阳性。

平衡准确度（balanced accuracy）是灵敏度和特异度的平均值。

接下来我们通过增加神经元的个数来提升模型的性能，其代价是模型的复杂性会显著增加：

隐藏神经元的数量从5个增加到10个，样本内性能的总准确度从36.74% 提升到了 65.4%。我们继续增加隐藏神经元的数量：

增加到40个神经元后准确度跟10个神经元的一样，还是65.4%。如果是商业问题，还需要继续调节神经元的数量和衰变率。但是作为学习，模型对数字9的表现比较，对其他数字都还行。

RSNNS包提供了使用斯图加特神经网络仿真器（Stuttgart Neural Network Simulator ， SNNS）模型的接口，但是，对基本的、单隐藏层的、前馈的神经网络，我们可以使用mlp()这个更为方便的封装函数，它的名称表示多层感知器（multi-layer perceptron）。

RSNNS包要求输入为矩阵、响应变量为一个哑变量的 矩阵 ，因此每个可能的类表示成矩阵列中的 0/1 编码。

通过decodeClassLabels()函数可以很方便的将数据转换为哑变量矩阵。

预测结果的值为1-10，但是实际值为0-9，所以在生成混淆矩阵时，需要先减去1：

RSNNS包的学习算法使用了相同数目的隐藏神经元，计算结果的性能却有极大提高。

函数I()有两个作用：

1.在对data.frame的调用中将对象包含在I()中来保护它，防止字符向量到factor的转换和名称的删除，并确保矩阵作为单列插入。

2.在formula函数中，它被用来禁止将“+”、“-”、“”和“^”等运算符解释为公式运算符，因此它们被用作算术运算符。

从RSNNS包返回的预测值（pred.ml4）中可以看到，一个观测可能有40%的概率成为“5”，20%的概率成为“6”，等等。简单的方法就是基于高预测概率来对观测进行分类。RSNNS包有一种称为赢者通吃（winner takes all，WTA）的方法，只要没有关系就选择概率的类，的概率高于用户定义的阈值（这个阈值可以是0），而其他类的预测概率都低于值减去另一个用户定义的阈值，否则观测的分类就不明了。如果这两个阈值都是0（缺省），那么值必然存在并且。这种方法的优点是它提供了某种质量控制。

但是在实际应用中，比如一个医学背景下，我们收集了病人的多种生物指标和基因信息，用来分类确定他们是否健康，是否有患癌症的风险，是否有患心脏病的风险，即使有40%的患癌概率也需要病人进一步做检查，即便他健康的概率是60%。RSNNS包中还提供一种分类方法称为“402040”，如果一个值高于用户定义的阈值，而所有的其他值低于用户定义的另一个阈值。如果多个值都高于第一个阈值，或者任何值都不低于第二个阈值，我们就把观测定性为未知的。这样做的目的是再次给出了某种质量控制。

“0”分类表示未知的预测。

通常来说，过拟合指模型在训练集上的性能优于测试集。过拟合发生在模型正好拟合了训练数据的噪声部分的时候。因为考虑了噪声，它似乎更准确，但一个数据集和下一个数据集的噪声不同，这种准确度不能运用于除了训练数据之外的任何数据 — 它没有一般化。

使用RSNNS模型对样本外数据预测：

模型在第一个5000行上的准确度为85.1%，在第二个5000行上的准确度减少为80%，损失超过5%，换句话说，使用训练数据来评价模型性能导致了过度乐观的准确度估计，过度估计是5%。

这个问题我们后面再处理。

神经网络研究与应用这块用python好还是matlab

若果你是需要使用神经网络去完成某些数据分析,而你的数据又不是很多(只有几万个样本或十几万个本样),那么建议你使用matlab,里面有已经搭建好的工具箱,非常齐全(神经网络很多种,而且又有不同的学习算法,和是否正则化等等).

若果你只是想学习算法,那么也是matlab较好,一来语法简单,二来网上的资料比较好找.

若果你对神经网络已经熟悉是,是打算投入应用,而且你的数据很大,那么根据你所需要的神经网络,用C或其他你认为性能好的语言,针对你的问题重新编一个算法,也不会花很大功夫.

这两者主要还是需要自己用着顺手。

用matlab的集成开发环境很好,跟踪代码是非常方便也会检查你的错误代码，你不需要像码农一样产品做单元测试代码,基本代码运行几次这完全没有什么问题。如果你只是想学习算法，那么matlab更好，语法简单。如果你已经熟悉了神经网络，需要进行研究想投入应用，数据非常大，还要大量自行设计的模型时，就会容易理解python是多么方便。python语言本身的灵活性为自主设计的模型提供了极大的便利，你想为你的问题编一个算法，也不会花太多的时间，matlab可以做到这一点，但这是非常困难的。在大项目、多人协作等方面比matlab更有优势。

Python主要为代码农户提供脚本环境，基本上是使用互联网公司进行操作和维护的低端代码农民。但由于开源是免费的，它逐渐渗透到学术中，以及更多与科学计算相关的软件包。

Matlab主要为依赖纸张的学术工作者提供一个通用的数值计算平台。的matlab工具箱是稳定的，易于使用，特别是在文件和教程中，当然，matlab并不便宜，主要的问题是使用盗版的便宜，千万要购买正版的产品。

两者各有各的优势，孰强孰弱不好判断，烦这个产品这个东西，自己用着舒心用着顺手就好啦，只要用的是正版的其他不用考虑太多。