如果你的数据大到可以和数据套媲美，就用你的数据training网络。前馈神经 网络、BP 神经 网络、卷积神经 网络的区别和联系如下:Bp 神经 网络预测是否为一些基本的知识和原理主要需要自己用，与matlab的集成开发环境非常好，跟踪代码和检查您的错误代码非常方便，不需要像码农一样做单元测试代码。基本代码运行几次是没有问题的，如果只是想学算法，那么matlab比较好，语法简单，如果你已经熟悉神经 网络，需要做研究并投入应用，数据非常大，需要大量的自己设计的模型，你会很容易理解python有多方便。
在大型项目和多人协作中比matlab更有优势。Python主要是给码农提供一个脚本环境，基本上是用互联网公司做运维的低端码农。但由于开源是免费的，所以逐渐渗透到学术领域和更多科学计算相关的软件包中。Matlab主要是为依赖论文的学术工作者提供一个通用的数值计算平台。
你需要看到你的形象是什么。如果是色号，先转换成灰色。与MNIST一起训练网络。如果是各种题目，用多彩imageNET训练。如果你的数据大到可以和数据套媲美，就用你的数据training网络。在流行的数据 set上训练后，需要固定卷积池层，只训练下面全连通层的参数，使用自己的数据 set。首先是调整网络的结构，池化几层卷积，卷积的模板大小。
当你用CNN对图像进行分类的时候，无非是用CNN作为学习特征的手段。你可以把网络看成两部分。前面的卷积层学习图像的基本中高层特征，后面的全连通层对应普通神经-1/进行分类。如果你需要学习，首先你应该去看UFLDL教程。然后cs231n不去问别人，首先你有没有看imageNet 数据对于流行的数据 set与自我的数据 training模型的混合方法。如果两者数据很像的话，也是可以的。
2、BP 神经 网络的训练集需要大样本吗?一般样本个数为多少?要看用的是什么。只要训练样本的规律性好，越多越好。如果不能满足一致的规律性，那就是有害的。比如文革时期举着数据是解决文革时期问题的最好办法，但不能用来解决2010年世博会的问题。还有，楼上说了，我们需要留一些样品做检测。如果BP 网络是分类问题，我们可以保留10%左右。如果是预测问题，5%应该够了，因为BP的预测能力真的很弱，只适合预测接近训练样本的数据。这也是我自己的理解，呵呵。
