Octave/Python中的神经网络学习用于计算特定数据集的成本

我正在通过Octave和Python学习神经网络，并使用来自

在神经网络练习中，我得到以下命令以倍频程加载数据

load('ex4data1.mat');
m = size(X, 1);
% Randomly select 100 data points to display
sel = randperm(size(X, 1));
sel = sel(1:100);
displayData(X(sel, :));
% Load the weights into variables Theta1 and Theta2
load('ex4weights.mat');
% Unroll parameters 
nn_params = [Theta1(:) ; Theta2(:)];

python中的类似代码如下所示

data = loadmat('ex4data1.mat')
data.keys()
y = data['y']
X = np.c_[np.ones((data['X'].shape[0],1)), data['X']]
print('X:',X.shape, '(with intercept)')
print('y:',y.shape)
weights = loadmat('ex3weights.mat')
weights.keys()
theta1, theta2 = weights['Theta1'], weights['Theta2']
print('theta1 :', theta1.shape)
print('theta2 :', theta2.shape)
params = np.r_[theta1.ravel(), theta2.ravel()]
print('params :', params.shape)

我目前拥有的数据集仅此而已。三个节点为输入，三个节点为隐藏，一个节点为输出

---

我现在对如何将上面的pic数据处理到.mat文件或我在这里缺少的内容感到困惑。如何将我的pic数据转换为.mat，以便进一步处理，仅计算几次迭代的成本？

假设您没有要求自动将图像转换为数据的方法，并且您实际上将数据保存在某个文件中，那么您所要做的就是将其作为矩阵写入：

X=[1000,310000,1；
1200, 2, 1200000, 0;
900, 2,  900000, 1;
1500, 3, 1500000, 0;
800,180万,1；%这张照片大概是打字错误吧？
]

然后将矩阵保存到.mat文件中

save data.mat X

我不清楚你在问什么。您是否在询问如何将该图像转换为数据文件，以便与倍频程代码一起使用？是的，转换为.mat文件