C = [A,B]C = [A B]% 横向合并，要求A,B矩阵行数一样。逗号或者空格都行。C = [A;B]% 纵向合并，要求A,B矩阵列数一样。用分号隔开。

主要是利用save和load命令（可在command窗口输入doc save，doc load 或者help save，help load查看）一，保存workspace的数据。　　1，save('test.mat')或者 save test.mat：保存workspace所有变量到test.mat内。　　2，save('test.mat','y')或者 save test

1，标准归一化。　　将原始数据集归一化为均值为0、方差1的数据集，归一化公式如下：x∗=x−μδ x^* = \frac{x-\mu}{\delta} 　　其中μ\mu为所有样本数据的均值，δ\delta为所有样本数据的标准差。2，最大最小归一化。　　将原始数据线性化的方法转换到[0 1]的范围，归一化公式如下：x∗=x−xmaxxmax−xminx^* = \frac{x-x

1，保存网络。　　save ('net')% net为已训练好的网络，这里把他从workspace保存到工作目录，显示为net.mat文档。2，使用网络。　　load ('net')% net为上面保存的网络，这里把他下载到workspace。　　 y_predict = sim(net,x_predict)% x_predict 是网络输入，y_predict

在神经网络训练中，我们常常需要画出loss function的变化图，log日志里会显示每一次迭代的loss function的值，于是我们先把log日志保存为log.txt文档，再利用这个文档来画图。　　1，先来产生一个log日志。import mxnet as mximport numpy as npimport osimport logginglogging.getLogger

　　中文的翻译有点乱，大致是这样的：Precision（查准率，精确率），Recall（查全率，召回率），Accuracy（准确率）。下面提到这三个名词都用英文表示。　　从一个例子入手：我们训练了一个识猫模型，送一张图片给模型，模型就能告诉你该图片是否有猫。目标是找出所有有猫图片。　　下面送100张有猫的图片，和100张无猫的图片给模型。假设预测的结果如下：例子图片有猫...

1，你可以先查看这种网络的参数，用help，doc是不行的，我提供一种其他方法，在命令窗口键入net = feedforwardnet(1) 就可以得到下面的信息，有关net的权值以及各种参数，大多都可以通过net.调用，如net.b就是调用偏置。net =Neural Networkname: 'Feed-Forward Neural Network...

1，nvidia-smi ：查看NVIDIA 显卡信息。注意要先添加环境变量。2，nvcc -V：查看CUDA版本

1，运行一次网络，在comand的命令中打入你的网络名词，如果是默认的就打net。然后就能看到下面一大堆信息：Neural Network% 中间一大堆没用的，已删除。weight and bias values:IW: {3x1 cell} containing 1 input weight matrix

我们看这个图片，我电脑内存是8g，占用31%，也就是2.5g左右，但是下面的每项加起来只是2.5g的一半。　　正确的看真实占用应该在资源监视器里面看。　　　　打开资源监视器的方法：打开任务管理器 –>选择性能 –> 这页的左下角有打开资源监视器选项。　　其页面如下：　　这里显示的才是实际占用的内存。　　解释一下每一列的意思：　　　　提交：要求系统为程序保留这么多内存，如果得不到满