大家好，又见面了，我是你们的朋友全栈君。
Neural Network 该部分展示了神经网络的结构，从结构图中可以看出该网络有三个隐含层，神经元个数分别为9个、8个、7个Algorithms 该部分展示了该网络所使用的训练算法，可以看出
Data Division：该网络采用随机划分的方法将数据集划分为training set、validation set、test set
Training：该网络采用Levenberg–Marquardt算法进行训练
Performance*：该网络采用均方误差算法计算误差
Calculations：****该网络保存为mex格式
Progress Epoch：该网络允许的迭代次数最大为1000，实际迭代5次
Time：该网络训练时长为3秒
Performance：该网络的最大误差为0.475，目标误差为0.001，实际误差为0.000520，可在Plots中的Performance中详细查看
Gradient：该网络的最大梯度为1.91，阈值梯度为1e−7 1e^{-7}1e −7
，实际梯度为0.033。可在Plots中的Training State中详细查看Mu：该网络所使用Levenberg–Marquardt算法中的阻尼因子最小值为0.001，阈值为1e10 1e^{10}1e 10
，实际值为1e−6 1e^{-6}1e −6 ，Mu值越大意味着算法收敛效果越好。可在Plots中的Training
State中详细查看Validation
Checks：该网络的泛化能力检查标准，实际值为0表示在训练过程中误差在持续降低，若连续6次训练误差无法降低，则结束训练任务。可在Plots中的Training
State中详细查看Plots Performance：该网络训练过程中的误差变换可视化
Training State：该网络训练过程中的梯度、Mu因子和泛化能力变换等信息的可视化
Regression：该网络训练集、验证集、测试集的回归能力可视化
Plot Interval：图中横坐标的刻度 ————————————————
版权声明：本文为CSDN博主「白水偷偷画工图」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/baishuiniyaonulia/article/details/98231693
图上三条有颜色的实线分别是：BP训练过程的MSE指标在每一代中的表现，BP交叉验证度过程的MSE指标在每一代中的问表现，BP测试过程的MSE指标在每一代中的表现。尤其你要注意那条TEST红线，那是你的BP计算答/训练内结果。
BEST虚线说明BP网络训练到第八代的时候BP训练结果最理想。
GOAL虚线是你编程或者直接用的MATLAB的ANN工具箱去训练这个BP时，设容置的网络训练停止目标（之一）。
代表检验这个网络的训练结果。
mse表示均方差，当然越小越好。但是这与zhidao你训练样本的多少，训练次数都有很大关系。这个其实没有统一的标准，任何人都知道0偏差当然是最好。但是根绝神经网络本身致命的缺陷，由于它是迭代收敛逼近解析式，所以不可能达到0误差。
这只有根据使用者的工程技术要求来加以判断，这个误差指标肯定应该在小于工程误差范围内啊。但是对于科研研究，也只能具体情况具体分析。定量一说没有具体绝对一说的。
Gradient为梯度下降法的函数
Validation Checks
在训练时，用training训练，每训练一次，系统自动会将validation set中的样本数据输入神经网络进行验证，在validation set输入后会得出一个误差（不是网络的训练误差，而是验证样本数据输入后得到的输出误差，可能是均方误差），而此前对validation set会设置一个步数，比如默认是6echo，则系统判断这个误差是否在连续6次检验后不下降，如果不下降或者甚至上升，说明training set训练的误差已经不再减小，没有更好的效果了，这时再训练就没必要了，就停止训练，不然可能陷入过学习。
Learn Rate 学习率（默认是0.01）
学习速率的选取很重要，大了可能导致系统不稳定，小了会导致训练周期过长、收敛慢，达不到要求的误差。一般倾向于选取较小的学习速率以保持系统稳定，通过观察误差下降曲线来判断。下降较快说明学习率比较合适，若有较大振荡则说明学习率偏大。同时，由于网络规模大小的不同，学习率选择应当针对其进行调整
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/151503.html原文链接：https://javaforall.net
