我有一个60,000个数据条目的训练数据集，每个数据条目有28个。在训练了具有所有数据崩溃R的神经网络之后，我仅使用训练数据的子集并且注意到神经网络的训练时间随着训练数据中使用的行数呈指数增长。
对于100行，训练需要0.5秒。对于400行，它是10.5秒。对于1000行，它是170秒。
我的（新手）问题是：这是指数增长吗？它背后的直觉是什么？任何提示如何加快训练（目前我正在使用隐藏的10x5x10层）？
更新：添加了代码和示例数据
library(neuralnet)
library(readr)
training_data <- read_csv("traindata.csv",col_names=TRUE, skip=8, col_types = cols(
.default = col_double(),
digit = col_character()
))
# Convert the "digits" column to 10 individual binary columns
training_data <- cbind(training_data[, 1:28], nnet::class.ind(training_data$digit))
# DEBUG use first n rows only
training_data <- training_data[1:1000,]
feats <- names(training_data)
f <- paste(feats[1:28],collapse=' + ')
f <- paste('D0 + D1 + D2 + D3 + D4 + D5 + D6 + D7 + D8 + D9 ~',f)
f <- as.formula(f)
nn <- neuralnet(f,training_data,hidden=c(10,5,10),linear.output=FALSE)
训练数据如下所示：
head (training_data)
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10
1 0 0 0 0 0.00000000000 0.18417366947 0.4061624650 0.40812324930 0.3319327731 0.1767507003
2 0 0 0 0 0.09411764706 0.17913165266 0.2203081232 0.27507002801 0.3334733894 0.2981792717
3 0 0 0 0 0.00000000000 0.04733893557 0.0675070028 0.09719887955 0.1156862745 0.1326330532
4 0 0 0 0 0.00000000000 0.09733893557 0.1268907563 0.13221288515 0.1127450980 0.1238095238
5 0 0 0 0 0.00000000000 0.00000000000 0.0000000000 0.18515406162 0.3008403361 0.2282913165
6 0 0 0 0 0.00000000000 0.03739495798 0.1812324930 0.26610644258 0.2815126050 0.2732492997
C11 C12 C13 C14 C15 C16 C17
1 0.07170868347 0.08179271709 0.07338935574 0.1078431373 0.1359943978 0.1280112045 0.1121848739
2 0.24425770308 0.23123249300 0.20938375350 0.1854341737 0.1883753501 0.1875350140 0.1659663866
3 0.13473389356 0.15042016807 0.16554621849 0.1892156863 0.3408963585 0.4490196078 0.2428571429
4 0.11904761905 0.11554621849 0.12142857143 0.1130252101 0.1102240896 0.1330532213 0.1320728291
5 0.22955182073 0.22338935574 0.21344537815 0.2236694678 0.2756302521 0.3422969188 0.2172268908
6 0.24411764706 0.12577030812 0.10098039216 0.1575630252 0.2481792717 0.3191876751 0.2941176471
C18 C19 C20 C21 C22 C23 C24
1 0.11414565826 0.15042016807 0.22507002801 0.23109243697 0.22338935574 0.23865546218 0.25952380952
2 0.17450980392 0.15686274510 0.18641456583 0.27955182073 0.33151260504 0.26134453782 0.15238095238
3 0.07843137255 0.06722689076 0.06722689076 0.07254901961 0.07268907563 0.08067226891 0.08081232493
4 0.13207282913 0.13221288515 0.11820728291 0.13319327731 0.12941176471 0.11036414566 0.11036414566
5 0.09509803922 0.08361344538 0.07366946779 0.08361344538 0.08851540616 0.08039215686 0.07366946779
6 0.38067226891 0.38627450980 0.29201680672 0.28459383754 0.21694677871 0.05588235294 0.00000000000
C25 C26 C27 C28 D0 D1 D2 D3 D4 D5 D6 D7 D8 D9
1 0.19467787115 0.00000000000 0.0000000000 0 0 0 0 0 0 1 0 0 0 0
2 0.00000000000 0.00000000000 0.0000000000 0 1 0 0 0 0 0 0 0 0 0
3 0.07044817927 0.00000000000 0.0000000000 0 0 0 0 0 1 0 0 0 0 0
4 0.09663865546 0.00000000000 0.0000000000 0 0 1 0 0 0 0 0 0 0 0
5 0.08109243697 0.08837535014 0.0637254902 0 0 0 0 0 0 0 0 0 0 1
6 0.00000000000 0.00000000000 0.0000000000 0 0 0 1 0 0 0 0 0 0 0