Ⅰ matlab神經網路工具箱怎麼效果好
導入數據：選擇合適的數據，一定要選數值矩陣形式
在這里插入圖片描述在這里插入圖片描述
進行訓練
在這里插入圖片描述
接下來就點next，選擇輸入輸出，Sample are是選擇以行還是列放置矩陣的，注意調整
在這里插入圖片描述
接下來一直next，在這兒點train
在這里插入圖片描述
查看結果
在這里插入圖片描述
導出代碼：再點next，直到這個界面，先勾選下面的，再點Simple Script生成代碼
在這里插入圖片描述
使用訓練好的神經網路進行預測
使用下方命令，z是需要預測的輸入變數，net就是訓練好的模型
在這里插入圖片描述
再將結果輸出成excel就行啦
在這里插入圖片描述
打開CSDN，閱讀體驗更佳
使用MATLAB載入訓練好的caffe模型進行識別分類_IT遠征軍的博客-CSDN...
在進行下面的實驗前,需要先對數據進行訓練得到caffemodel,然後再進行分類識別 c_demo.m function [scores, maxlabel] = c_demo(im, use_gpu) % Add caffe/matlab to you Matlab search PATH to use matcaffe if exist('/home/...
繼續訪問
MATLAB調用訓練好的KERAS模型_LzQuarter的博客
下載了鏈接中的「kerasimporter.mlpkginstall」文件後,在matlab內用左側的文件管理系統打開會進入一個頁面,在該頁面的右上角有安裝的按鈕,如果之前安裝一直失敗,可以通過這個安裝按鈕的下拉選項選擇僅下載 下載還是有可能要用到VPN,但是相比...
繼續訪問
最新發布 matlab神經網路預測數據,matlab神經網路工具箱
Matlab語言是MathWorks公司推出的一套高性能計算機編程語言，集數學計算、圖形顯示、語言設計於一體，其強大的擴展功能為用戶提供了廣闊的應用空問。它附帶有30多個工具箱，神經網路工具箱就是其中之一。谷歌人工智慧寫作項目：神經網路偽原創。
繼續訪問
matlab神經網路工具箱系統預測
matlab神經網路工具箱系統預測 有原始數據 根據原始數據預測未來十年內的數據
matlab預測控制工具箱
matlab預測控制工具箱，在學習預測控制的過程中翻譯的matlab自帶的示例，希望對大家有所幫助 matlab預測控制工具箱，在學習預測控制的過程中翻譯的matlab自帶的示例，希望對大家有所幫助
用matlab做bp神經網路預測,神經網路預測matlab代碼
我覺得一個很大的原因是你預測給的輸入范圍（2014-）超出了訓練數據的輸入范圍（2006-2013），神經網路好像是具有內插值特性，不能超出，你可以把輸入變數-時間換成其他的變數，比如經過理論分析得出的某些影響因素，然後訓練數據要包括大范圍的情況，這樣可以保證預測其他年份的運量的時候，輸入變數不超出范圍，最後預測的時候給出這幾個影響因素的值，效果會好一點。輸出層是個purelin，線性組合後的輸出層輸出當然也全是幾乎相同的了。輸出層是個purelin，線性組合後的輸出層輸出當然也全是幾乎相同的了。
繼續訪問
BP神經網路預測實例（matlab代碼，神經網路工具箱）
目錄辛烷值的預測matlab代碼實現工具箱實現 參考學習b站： 數學建模學習交流 bp神經網路預測matlab代碼實現過程 辛烷值的預測 【改編】辛烷值是汽油最重要的品質指標，傳統的實驗室檢測方法存在樣品用量大，測試周期長和費用高等問題，不適用於生產控制，特別是在線測試。近年發展起來的近紅外光譜分析方法（NIR），作為一種快速分析方法，已廣泛應用於農業、制葯、生物化工、石油產品等領域。其優越性是無損檢測、低成本、無污染，能在線分析，更適合於生產和控制的需要。實驗採集得到50組汽油樣品（辛烷值已通過其他方法測
繼續訪問
用matlab做bp神經網路預測,matlab人工神經網路預測
ylabel('函數輸出','fontsize',12);%畫出預測結果誤差圖figureplot(error,'-*')title('BP網路預測誤差','fontsize',12)ylabel('誤差','fontsize',12)xlabel('樣本','fontsize',12)。三、訓練函數與學習函數的區別函數的輸出是權值和閾值的增量，訓練函數的輸出是訓練好的網路和訓練記錄，在訓練過程中訓練函數不斷調用學習函數修正權值和閾值，通過檢測設定的訓練步數或性能函數計算出的誤差小於設定誤差，來結束訓練。.
繼續訪問
matlab訓練神經網路模型並導入simulink詳細步驟
之前的神經網路相關文章： Matlab-RBF神經網路擬合數據 Matlab RBF神經網路及其實例 4.深度學習(1) --神經網路編程入門 本文介紹一下怎麼把訓練好的神經網路導入到simulink並使用，假定有兩個變數，一個輸出變數，隨機生成一點數據 x1 = rand(1000,1);x2 = rand(1000,1);x = [x1 x2];y = rand(1000,1); 在App裡面找到神經網路工具箱 點擊Next 選擇對應的數據，注意選擇好對應的輸入和輸出，還
繼續訪問
用matlab做bp神經網路預測,matlab神經網路怎麼預測
它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。Network可以看出，你的網路結構是兩個隱含層，2-3-1-1結構的網路，演算法是traindm，顯示出來的誤差變化為均方誤差值mse。達到設定的網路精度0.001的時候，誤差下降梯度為0.0046，遠大於默認的1e-5，說明此時的網路誤差仍在快速下降，所以可以把訓練精度目標再提高一些，比如設為0.0001或者1e-5。如果你所選用的激活函數是線性函數，那麼就可以先把輸出的表達式寫出來，即權向量和輸入的矩陣乘積。
繼續訪問
matlab訓練模型、導出模型及VC調用模型過程詳解
MATLAB是美國MathWorks公司出品的商業數學軟體，為演算法開發、數據可視化、數據分析以及數值計算等提供了高級計算語言和互動式環境。隨著人工智慧的崛起，MATLAB也添加了自己的機器學習工具包，只需要很少的代碼或命令就能完成模型訓練和測試的過程，訓練好的模型也能方便的導出，供VC等調用。本文主要介紹模型訓練、導出和調用的整個過程。 軟體版本： VC2015，matlab2018a ...
繼續訪問
matlab神經網路預測模型,matlab人工神經網路預測
谷歌人工智慧寫作項目：小發貓matlab帶有神經網路工具箱，可直接調用，建議找本書看看，或者MATLAB論壇找例子常見的神經網路結構。核心調用語句如下：%數據輸入%選連樣本輸入輸出數據歸一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train);%%BP網路訓練%%初始化網路結構net=newff(inputn,outputn,[88]);net.trainParam.epochs=100;=0.0
繼續訪問
在Matlab中調用pytorch上訓練好的網路模型
在Matlab中調用pytorch上訓練好的網路模型
繼續訪問
MATLAB_第二篇神經網路學習_BP神經網路
BP神經網路代碼實現1. BP神經網路的簡介和結構參數1.1 BP神經網路的結構組成1.2 BP神經網路訓練界面的參數解讀 非常感謝博主wishes61的分享. 1. BP神經網路的簡介和結構參數 一種按照誤差逆向傳播演算法訓練的多層前饋神經網路用於預測BP神經網路的計算過程：由正向計算過程和反向計算過程組成。 正向傳播過程，輸入模式從輸入層經隱單元層逐層處理，並轉向輸出層，每一層神經元的狀態隻影響下一層神經元的狀態。 如果在輸出層不能得到期望的輸出，則轉入反向傳播，將誤差信號沿原來的連接通路返回，通過修改各
繼續訪問
MATLAB神經網路擬合回歸工具箱Neural Net Fitting的使用方法
本文介紹MATLAB軟體中神經網路擬合（Neural Net Fitting）工具箱的具體使用方法~
繼續訪問
灰色預測工具箱matlab,Matlab灰色預測工具箱——走過數模
2009-07-02 23:05灰色預測幾乎是每年數模培訓必不可少的內容，相對來說也是比較簡單，這里寫了四個函數，方便在Matlab裡面調用，分別是GM(1，1)，殘差GM(1，1)，新陳代謝GM(1，1)，Verhust自己寫得難免有所疏忽，需要的朋友自己找本書本來試驗一下。。Gm(1，1)function [px0,ab,rel]=gm11(x0,number)%[px0,ab,rel]=gm...
繼續訪問
matlab利用訓練好的BP神經網路來預測新數據（先保存網路，再使用網路）
1，保存網路。save ('net') % net為已訓練好的網路，這里把他從workspace保存到工作目錄，顯示為net.mat文檔。 2，使用網路。load ('net') % net為上面保存的網路，這里把他下載到workspace。y_predict = sim(...
繼續訪問
數學建模學習（79）：Matlab神經網路工具箱使用，實現多輸入多輸出預測
Matlab神經網路工具箱實現，實現多輸入多輸出預測
繼續訪問
熱門推薦 如何利用matlab做BP神經網路分析（包括利用matlab神經網路工具箱）
利用MATLAB 進行BP神經網路的預測（含有神經網路工具箱） 最近一段時間在研究如何利用預測其銷量個數，在網上搜索了一下，發現了很多模型來預測，比如利用回歸模型、時間序列模型，GM（1,1）模型，可是自己在結合實際的工作內容，發現這幾種模型預測的精度不是很高，於是再在網上進行搜索，發現神經網路模型可以來預測，並且有很多是結合時間序列或者SVM（支持向量機）等組合模型來進...
繼續訪問
bp神經網路預測案例python_詳細BP神經網路預測演算法及實現過程實例
1.具體應用實例。根據表2，預測序號15的跳高成績。表2國內男子跳高運動員各項素質指標序號跳高成績()30行進跑(s)立定三級跳遠()助跑摸高()助跑4—6步跳高()負重深蹲杠鈴()杠鈴半蹲系數100(s)抓舉()12.243.29.63.452.151402.811.05022.333.210.33.752.21203.410.97032.243.09.03.52.21403.511.4504...
繼續訪問
如何調用MATLAB訓練神經網路生成的網路進行預測
如何調用MATLAB訓練神經網路生成的網路問題引出知識准備代碼註解 問題引出 如何存儲和調用已經訓練好的神經網路。 本人前幾天在智能控制學習的過程中也遇到了這樣的問題，在論壇中看了大家的回復，雖然都提到了關鍵的兩個函數「save」和「load」，但或多或少都簡潔了些，讓人摸不著頭腦（呵呵，當然也可能是本人太菜）。通過不斷調試，大致弄明白這兩個函數對神經網路的存儲。下面附上實例給大家做個說明，希望對跟我有一樣問題的朋友有所幫助。 知識准備 如果只是需要在工作目錄下保到當前訓練好的網路，可以在命令窗口 輸入：s
繼續訪問
matlab訓練好的模型怎麼用
神經網路
Ⅱ matlab中bp神經網路的工具箱怎麼用，不要matlab程序，就工具箱怎麼實現問題的解決
matlab中神經網路的工具箱：輸入nntool，就會彈出一個對話框，然後你就可以根據彈出框的指示來操作。
Ⅲ matlab神經網路工具箱分別怎麼用
1單擊Apps，在搜索框中輸入neu，下方出現了所有神經網路工具箱。neural net fitting 是我們要使用的神經網路擬合工具箱。 2 在下界面中點擊next 3 單擊load example data set，得到我們需要的測試數據。
Ⅳ 直接用神經網路工具箱構建bp神經網路，希望能給個例子說明，有註解最好，本人matlab新手，謝謝
BP（Back Propagation）神經網路是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層專前饋網路，是目前應用屬最廣泛的神經網路模型之一。BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。
附件就是利用神經網路工具箱構建BP神經網路進行預測的實例。如果要用可視化工具，可以在命令窗口輸入nntool.
Ⅳ matlab神經網路工具箱具體怎麼用
為了看懂師兄的文章中使用的方法，研究了一下神經網路
昨天花了一天的時間查怎麼寫程序，但是費了半天勁，不能運行，網路知道里倒是有一個，可以運行的，先貼著做標本
% 生成訓練樣本集
clear all;
clc;
P=[110 0.807 240 0.2 15 1 18 2 1.5;
110 2.865 240 0.1 15 2 12 1 2;
110 2.59 240 0.1 12 4 24 1 1.5;
220 0.6 240 0.3 12 3 18 2 1;
220 3 240 0.3 25 3 21 1 1.5;
110 1.562 240 0.3 15 3 18 1 1.5;
110 0.547 240 0.3 15 1 9 2 1.5];
0 1.318 300 0.1 15 2 18 1 2];
T=[54248 162787 168380 314797;
28614 63958 69637 82898;
86002 402710 644415 328084;
230802 445102 362823 335913;
60257 127892 76753 73541;
34615 93532 80762 110049;
56783 172907 164548 144040];
@907 117437 120368 130179];
m=max(max(P));
n=max(max(T));
P=P'/m;
T=T'/n;
%-------------------------------------------------------------------------%
pr(1:9,1)=0; %輸入矢量的取值范圍矩陣
pr(1:9,2)=1;
bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm');
%建立BP神經網路， 12個隱層神經元，4個輸出神經元
%tranferFcn屬性 'logsig' 隱層採用Sigmoid傳輸函數
%tranferFcn屬性 'logsig' 輸出層採用Sigmoid傳輸函數
%trainFcn屬性 'traingdx' 自適應調整學習速率附加動量因子梯度下降反向傳播演算法訓練函數
%learn屬性 'learngdm' 附加動量因子的梯度下降學習函數
net.trainParam.epochs=1000;%允許最大訓練步數2000步
net.trainParam.goal=0.001; %訓練目標最小誤差0.001
net.trainParam.show=10; %每間隔100步顯示一次訓練結果
net.trainParam.lr=0.05; %學習速率0.05
bpnet=train(bpnet,P,T);
%-------------------------------------------------------------------------
p=[110 1.318 300 0.1 15 2 18 1 2];
p=p'/m;
r=sim(bpnet,p);
R=r'*n;
display(R);
運行的結果是出現這樣的界面
點擊performance，training state，以及regression分別出現下面的界面
再搜索，發現可以通過神經網路工具箱來創建神經網路，比較友好的GUI界面，在輸入命令裡面輸入nntool，就可以開始了。
點擊import之後就出現下面的具體的設置神經網路參數的對話界面，
這是輸入輸出數據的對話窗
首先是訓練數據的輸入
然後點擊new，創建一個新的神經網路network1，並設置其輸入輸出數據，包括名稱，神經網路的類型以及隱含層的層數和節點數，還有隱含層及輸出層的訓練函數等
點擊view，可以看到這是神經網路的可視化直觀表達
創建好了一個network之後，點擊open，可以看到一個神經網路訓練，優化等的對話框，選擇了輸入輸出數據後，點擊train，神經網路開始訓練，如右下方的圖，可以顯示動態結果
下面三個圖形則是點擊performance，training state以及regression而出現的
下面就是simulate，輸入的數據是用來檢驗這個網路的數據，output改一個名字，這樣就把輸出數據和誤差都存放起來了
在主界面上點擊export就能將得到的out結果輸入到matlab中並查看
下圖就是輸出的兩個outputs結果
還在繼續挖掘，to be continue……
Ⅵ matlab 解答
Matlab常用工具箱MATLAB包括擁有數百個內部函數的主包和三十幾種工具包。工具包又可以分為功能性工具包和學科工具包。功能工具包用來擴充MATLAB的符號計算，可視化建模模擬，文字處理及實時控制等功能。學科工具包是專業性比較強的工具包，控制工具包，信號處理工具包，通信工具包等都屬於此類。
開放性使MATLAB廣受用戶歡迎。除內部函數外，所有MATLAB主包文件和各種工具包都是可讀可修改的文件，用戶通過對源程序的修改或加入自己編寫程序構造新的專用工具包。
Matlab Main Toolbox——matlab主工具箱
Control System Toolbox——控制系統工具箱
Communication Toolbox——通訊工具箱
Financial Toolbox——財政金融工具箱
System Identification Toolbox——系統辨識工具箱
Fuzzy Logic Toolbox——模糊邏輯工具箱
Higher-Order Spectral Analysis Toolbox——高階譜分析工具箱
Image Processing Toolbox——圖象處理工具箱
LMI Control Toolbox——線性矩陣不等式工具箱
Model predictive Control Toolbox——模型預測控制工具箱
μ-Analysis and Synthesis Toolbox——μ分析工具箱
Neural Network Toolbox——神經網路工具箱
Optimization Toolbox——優化工具箱
Partial Differential Toolbox——偏微分方程工具箱
Robust Control Toolbox——魯棒控制工具箱
Signal Processing Toolbox——信號處理工具箱
Spline Toolbox——樣條工具箱
Statistics Toolbox——統計工具箱
Symbolic Math Toolbox——符號數學工具箱
Simulink Toolbox——動態模擬工具箱
Wavele Toolbox——小波工具箱 [編輯本段]常用函數Matlab內部常數[3]
eps：浮點相對精度
exp：自然對數的底數e
i 或 j：基本虛數單位
inf 或 Inf：無限大， 例如1/0
nan或NaN：非數值（Not a number），例如0/0
pi：圓周率 p（= 3.1415926...）
realmax：系統所能表示的最大數值
realmin：系統所能表示的最小數值
nargin: 函數的輸入引數個數
nargout: 函數的輸出引數個數
lasterr：存放最新的錯誤信息
lastwarn：存放最新的警告信息
MATLAB常用基本數學函數
abs(x)：純量的絕對值或向量的長度
angle(z)：復數z的相角(Phase angle)
sqrt(x)：開平方
real(z)：復數z的實部
imag(z)：復數z的虛部
conj(z)：復數z的共軛復數
round(x)：四捨五入至最近整數
fix(x)：無論正負，捨去小數至最近整數
floor(x)：地板函數，即捨去正小數至最近整數
ceil(x)：天花板函數，即加入正小數至最近整數
rat(x)：將實數x化為分數表示
rats(x)：將實數x化為多項分數展開
sign(x)：符號函數 (Signum function)。
當x<0時，sign(x)=-1；
當x=0時，sign(x)=0;
當x>0時，sign(x)=1。
rem(x,y)：求x除以y的餘數
gcd(x,y)：整數x和y的最大公因數
lcm(x,y)：整數x和y的最小公倍數
exp(x) ：自然指數
pow2(x)：2的指數
log(x)：以e為底的對數，即自然對數或
log2(x)：以2為底的對數
log10(x)：以10為底的對數
MATLAB常用三角函數
sin(x)：正弦函數
cos(x)：餘弦函數
tan(x)：正切函數
asin(x)：反正弦函數
acos(x)：反餘弦函數
atan(x)：反正切函數
atan2(x,y)：四象限的反正切函數
sinh(x)：雙曲正弦函數
cosh(x)：雙曲餘弦函數
tanh(x)：雙曲正切函數
asinh(x)：反雙曲正弦函數
acosh(x)：反雙曲餘弦函數
atanh(x)：反雙曲正切函數
適用於向量的常用函數有
min(x): 向量x的元素的最小值
max(x): 向量x的元素的最大值
mean(x): 向量x的元素的平均值
median(x): 向量x的元素的中位數
std(x): 向量x的元素的標准差
diff(x): 向量x的相鄰元素的差
sort(x): 對向量x的元素進行排序（Sorting）
length(x): 向量x的元素個數
norm(x): 向量x的歐氏（Euclidean）長度
sum(x): 向量x的元素總和
prod(x): 向量x的元素總乘積
cumsum(x): 向量x的累計元素總和
cumprod(x): 向量x的累計元素總乘積
dot(x, y): 向量x和y的內積
cross(x, y): 向量x和y的外積
MATLAB基本繪圖函數
plot: x軸和y軸均為線性刻度（Linear scale）
loglog: x軸和y軸均為對數刻度（Logarithmic scale）
semilogx: x軸為對數刻度，y軸為線性刻度
semilogy: x軸為線性刻度，y軸為對數刻度
matlab插值和樣條plot繪圖函數的參數
字元 顏色 字元 圖線型態
y 黃色 . 點
k 黑色 o 圓
w 白色 x x
b 藍色 + +
g 綠色 * *
r 紅色 - 實線
c 亮青色 : 點線
m 錳紫色 -. 點虛線
-- 虛線
註解
xlabel('Input Value'); % x軸註解
ylabel('Function Value'); % y軸註解
title('Two Trigonometric Functions'); % 圖形標題
legend('y = sin(x)','y = cos(x)'); % 圖形註解
grid on; % 顯示格線
二維繪圖函數
bar 長條圖
errorbar 圖形加上誤差范圍
fplot 較精確的函數圖形
polar 極座標圖
hist 累計圖
rose 極座標累計圖
stairs 階梯圖
stem 針狀圖
fill 實心圖
feather 羽毛圖
compass 羅盤圖
quiver 向量場圖[4]
Ⅶ 數學建模MATLAB工具箱是什麼怎麼用
Matlab工具箱已經成為一個系列產品，Matlab主工具箱和各種工具箱（toolbox ）。
工具箱簡介
1功能型工具箱 —— 通用型
功能型工具箱主要用來擴充Matlab的數值計算、符號運算功能、圖形建模模擬功能、文字處理功能以及與硬體實時交互功能，能夠用於多種學科。
2領域型工具箱 —— 專用型
領域型工具箱是學科專用工具箱，其專業性很強，比如控制系統工具箱（ Control System Toolbox）；信號處理工具箱（Signal Processing Toolbox）；財政金融工具箱（ Financial Toolbox）等等。只適用於本專業。
3
Matlab常用工具箱
Matlab Main Toolbox——matlab主工具箱
Control System Toolbox——控制系統工具箱
Communication Toolbox——通訊工具箱
Financial Toolbox——財政金融工具箱
System Identification Toolbox——系統辨識工具箱
Fuzzy Logic Toolbox——模糊邏輯工具箱
Bioinformatics Toolbox——生物分析工具箱
Image Processing Toolbox——圖象處理工具箱
Database Toolbox——資料庫工具箱
Model predictive Control Toolbox——模型預測控制工具箱
Neural Network Toolbox——神經網路工具箱
Optimization Toolbox——優化工具箱
Partial Differential Toolbox——偏微分方程工具箱
Robust Control Toolbox——魯棒控制工具箱
Signal Processing Toolbox——信號處理工具箱
Spline Toolbox——樣條工具箱
Statistics Toolbox——統計工具箱
Symbolic Math Toolbox——符號數學工具箱
Simulink Toolbox——動態模擬工具箱
Virtual Reality Toolbox——虛擬現實工具箱
Wavelet Toolbox——小波工具箱
等等…….
而且每個新出的版本都在增加、更新完善。
Ⅷ 神經網路工具箱與編程實現哪個更好
首先說一下神經網路工具箱，在我剛剛接觸神經網路的時候，我就利用工具箱去解決問題，這讓我從直觀上對神經網路有了了解，大概清楚了神經網路的應用范圍以及它是如何解決實際問題的。
工具箱的優勢在於我們不用了解其內部的具體實現，更關注於模型的建立與問題的分析，也就是說，如果拋開演算法的錯誤，那麼用工具箱來解決實際問題會讓我們能把更多的精力放在實際問題的模型建立上，而不是繁瑣的演算法實現以及分析上。
其次談談編程實現神經網路，由於個人能力有限，所以只是簡單的編程實現過一些基本神經演算法，總的體會就是編程的過程讓我對演算法有了更透徹的理解，可以更深入的分析其內部運行機制，也同樣可以實現一下自己的想法，構建自己的神經網路演算法。
以上是我對兩個方法的簡單理解。那究竟哪個方法更好些呢？我個人的看法是要看使用者的目的是怎樣的。
如果使用者的目的在於解決實際問題，利用神經網路的函數逼近與擬合功能實現自己對實際問題的分析與模型求解，那我的建議就是利用神經網路工具箱，學過編程語言的人都知道，無論用什麼編程語言將一個現有的演算法編程實現達到可用的結果這一過程都是及其繁瑣與復雜的，就拿簡單的經典BP神經網路演算法來說，演算法本身的實現其實並不難，可根據不同人的能力，編出來的程序的運行效率是大不相同的，而且如果有心人看過matlab的工具箱的源碼的話，應該能發現，裡面採用的方法並不完全是純粹的BP經典演算法，一個演算法從理論到實現還要依賴與其他演算法的輔助，計算機在計算的時候難免出現的舍入誤差，保證權值的時刻改變，這都是編程人員需要考慮的問題，可能還有很多的問題
這樣的話，如果自己單人編程去實現神經網路來解決實際問題的話，整體效率就沒有使用工具箱更好。
如果使用者的目的在於分析演算法，構造新的網路的話那當然首推自己編程實現。個人的感覺就是，如果真的是自己完全編程實現的話，對演算法會有很深入的理解，在編程的調試過程中，也會領悟到很多自己從前從來沒有考慮過的問題，像權值的初始的隨機選取應該怎麼樣，將訓練樣本按什麼順序輸入等，這都是編程實現所要考慮的問題，不同的方法得到的結果會有很大的差距。