甩开神经网络工具箱、自己编写、探索神经网络内部结构、纯手写，可转化C\C++，提取权重参数直接用于实际项目预测，增加项目运行速率，前提是在预测精度较高的情况下，提取这些权重，不用通过保存网络这种方式，因为保存网络这种方式需要生成dll文件才能用于C++项目，这种C++调用matlab的dll方式，会拖慢C++运算速度，不适合实时控制项目。

MATLAB神经网络工具箱中的神经网络模型.ppt

不错的Matlab神经网络工具箱实用指南.doc

BP神经网络工具箱函数

涉及侵权，立马删除

基于BP神经网络的数据预测仿真,BP网络自己用m文件编程实现,没有使用MATLAB的神经网络工具箱+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

在VC中利用COM组件调用MATLAB神经网络工具箱.doc

将matlab神经网络工具箱代码导出

调用MATLAB Engine虽然可以实现对神经网络工具箱的功能，但是因为这种方法是基于C/S模式的，效率很低，而且需要在matlab下实现其功能，无法脱离matlab直接运行，所以，基于这个原因，我放弃了利用MATLAB Engine来实现混合编程。利用C++数学库虽然可以脱离MATLAB直接运行，但是C++数学库并不支持神经网络工具箱，所以，无法实现基于神经网络的混合编程。利用mcc命令虽然可以直接生成.exe文件，并可以脱离MATLAB在VC++中直接运行，但是因为其自身的诸多缺点，这种方法并不能编译神经网络函数为C++文件，所以，也无法胜任这个任务。 最后，只有COM组件这一个办法了，由于COM组件技术的强大功能，利用matlab的COM Builder工具可以实现脱离matlab的混合编程，并成功的调用了神经网络工具箱。

为了将可学习的参数从预先训练的2D ResNet-50（ImageNet）传输到3D，我们通过三维复制了2D滤镜（重复复制它们）。 这是可能的，因为视频或3D图像可以转换为图像切片序列。 在训练过程中，我们希望3D ResNet-50学习每个帧中的模式。 该模型具有4,800万个可学习的参数。 只需调用“ resnet50TL3Dfun（）”函数。