我的问题是关于神经网络训练。我已经搜索了这个，但是没有很好的解释。
那么对于第一个，如何计算均方误差？ （我知道这很愚蠢，但我真的不明白）
第二： 当神经网络进行训练时，我们输入了一个由多对（输入及其所需输出）组成的训练集。我们什么时候应该计算均方误差？我们已经采取所有配对吗？还是我们为每一对计算它？
如果是每一对，那么在训练集内的所有对之前错误达到最小期望错误的可能性。
第三：训练集的一个循环的纪元值增加了吗？或者当每对（输入和所需的输出）被采用时它会增加吗？（我知道这是另一种愚蠢，但请耐心等待）
非常感谢
答案 0 :(得分：5)
y问题是关于神经网络训练。我已经搜索了这个，但是没有很好的解释。
网上有很多很好的解释，在文献中，Haykin的书可能就是这样一个例子：神经网络和学习机器
那么对于第一个，如何计算均方误差？ （我知道这很愚蠢，但我真的不明白）
用最简单的术语来说，均方误差定义为
sum_i 1/n (desired_output(i) - model_output(i))^2
因此，您只需计算错误的正方形的平均值（输出与所需输出之间的差异）。
现在我们什么时候应该计算均方误差？我们已经采取所有配对吗？还是我们为每一对计算它？
使用这两种方法，一种称为批量学习，一种是在线学习。因此，接下来的所有问题都有答案“两者都是正确的，取决于您是使用批量学习还是在线学习”。哪一个选择？显然 - 这取决于，但为了简单起见，我建议从批量学习开始（所以你计算错误超过所有训练样本，然后更新）。
答案 1 :(得分：0)
如果我们使用在线培训进行培训，并且在覆盖培训集中的所有数据项之前错误达到最小值，那么我们跳过该值的权重更新并继续下一个培训数据，即我们确保我们在退出训练前完成一个时代