Ⅰ 神經網路中的訓練次數，是指的什麼
訓練次數是指最大迭代次數，如果達到此次數，即使達不到誤差要求，也終止計算，77次是實際迭代次數。
Ⅱ BP神經網路輸入層和訓練次數怎樣選擇
輸入層就是看你研究的結果影響因子的數目，而訓練次數是程序自己計算的，因為你要設定誤差目標，模型誤差到達你設定的目標誤差時訓練結束，這時的訓練次數就是最終訓練次數。
Ⅲ tensorflow 神經網路
輸入層就是你的輸入向量的維度；訓練次數一般試試幾次就知道了，可以先選擇1000次，看最終的訓練到沒到目標誤差。然後視情況多少進行訓練次數的增減。
Ⅳ 關於BP神經網路訓練次數問題
初始權值不一樣，每次訓練重置初始權值
Ⅳ 老師問我神經網路訓練了多少次，是不是就是迭代次數為多少就是訓練了多少次
是的，train_step每run一次就是訓練一次
Ⅵ 一般神經網路要訓練多久
決定神經網路訓練多久有很多因素，如用的是CPU還是GPU，神經網路的結點數、層數，學習速率，激活函數等。一般在測試集的准確率不再明顯增加時就可以停止訓練了。
Ⅶ 深度學習卷積神經網路要迭代多少次為好
看數據量吧，少點2000次就夠了，多點幾萬次
Ⅷ 神經網路，訓練樣本500條，為什麼比訓練樣本6000條，訓練完，500條預測比6000條樣本好！
並非訓練樣本越多越好，因課題而異。 1、樣本最關鍵在於正確性和准確性。你所選擇的樣本首先要能正確反映該系統過程的內在規律。我們從生產現場採得的樣本數據中有不少可能是壞樣本，這樣的樣本會干擾你的神經網路訓練。通常我們認為壞樣本只是個別現象，所以我們希望通過盡可能大的樣本規模來抵抗壞樣本造成的負面影響。 2、其次是樣本數據分布的均衡性。你所選擇的樣本最好能涉及到該系統過程可能發生的各種情況，這樣可以極大可能的照顧到系統在各個情況下的規律特徵。通常我們對系統的內在規律不是很了解，所以我們希望通過盡可能大的樣本規模來「地毯式」覆蓋對象系統的方方面面。 3、再次就是樣本數據的規模，也就是你要問的問題。在確保樣本數據質量和分布均衡的情況下，樣本數據的規模決定你神經網路訓練結果的精度。樣本數據量越大，精度越高。由於樣本規模直接影響計算機的運算時間，所以在精度符合要求的情況下，我們不需要過多的樣本數據，否則我們要等待很久的訓練時間。 補充說明一下，不論是徑向基（rbf）神經網路還是經典的bp神經網路，都只是具體的訓練方法，對於足夠多次的迭代，訓練結果的准確度是趨於一致的，方法隻影響計算的收斂速度（運算時間），和樣本規模沒有直接關系。
如何確定何時訓練集的大小是「足夠大」的？
神經網路的泛化能力主要取決於3個因素：
1.訓練集的大小
2.網路的架構
3.問題的復雜程度
一旦網路的架構確定了以後，泛化能力取決於是否有充足的訓練集。合適的訓練樣本數量可以使用Widrow的拇指規則來估計。 拇指規則指出，為了得到一個較好的泛化能力，我們需要滿足以下條件（Widrow and Stearns，1985；Haykin，2008）： N = nw / e 其中，N為訓練樣本數量，nw是網路中突觸權重的數量，e是測試允許的網路誤差。 因此，假如我們允許10%的誤差，我們需要的訓練樣本的數量大約是網路中權重數量的10倍。