我已经向其他AI人询问了这个问题，但我并没有给出满意的答案。
对于之前编程过人工神经网络的其他人，你如何测试其正确性？
我想，另一种说法是，如何调试神经网络背后的代码？
答案 0 :(得分：12)
对于神经网络，通常发生的事情是您正在使用未经训练的神经网络，并且您正在使用给定的数据集进行训练，以便它以您期望的方式进行响应。这是交易;通常情况下，您可以根据自己的投入对其进行一定程度的培养。一般来说（这也是一般情况;你的里程可能会有所不同），你不能让神经网络始终提供正确的答案;相反，您正在获得正确答案的估计，在置信范围内。你知道这种信心取决于你如何训练网络。
如果你不能确定他们得出的结论是否可以证实是正确的，那么问题就出现了为什么你会想要使用神经网络;答案是神经网络可以在线性时间内获得某些类别问题（特别是NP完全问题）的高可信度答案，而NP-Complete问题的可验证正确解决方案只能在多项式时间内得出。通俗地说，神经网络可以“解决”正常计算无法解决的问题;但你只有一定的百分比才能确信你有正确的答案。您可以通过培训方案确定这种信心，通常可以确保您至少有99.9％的信心。
答案 1 :(得分：8)
在大多数“软计算”中，正确性是一个有趣的概念。我能告诉你的最好的结果是：“当神经网络始终满足其设计参数时，它是正确的。”您可以通过对数据进行训练，然后使用其他数据进行验证，并在中间使用反馈循环来告知您神经网络是否正常运行。
这当然仅适用于足够大的神经网络，其中无法直接证明正确性。如果您正在尝试构建学习XOR或类似事件的神经网络，则可以通过分析证明神经网络是正确的，但对于该类问题，很少需要aNN。
答案 2 :(得分：3)
你在这里开辟了比你想象中更大的虫子。
顺便提一下，NN可能被认为是通用函数逼近器，它可以帮助你思考这些东西。
无论如何，就你的问题而言，NN并没有什么特别之处，这个问题适用于任何类型的学习算法。
您对结果的信心将取决于您拥有的训练数据的数量和质量（通常难以确定）。
如果你真的对这些东西感兴趣，你可能想要了解过度训练和整体方法（套袋，助力等）的问题。
真正的问题是，您通常对您已经看过的给定输入的答案的“正确性”（cf quality）不感兴趣，而是关心在输入上预测答案的质量你还没有见过。这是一个更加困难的问题。然后，典型的方法是“阻止”你的一些训练数据（即你知道“正确”答案的东西），并根据这些数据测试训练有素的系统。当你开始考虑你可能没有足够的数据，或者它可能有偏见等时，它会变得微妙。所以有许多研究人员基本上把所有的时间花在思考这些问题上！
答案 3 :(得分：2)
我参与过有测试数据和训练数据的项目，所以你知道NN没有看到的一组输入的预期输出。
分析任何分类器结果的一种常用方法是使用ROC曲线;可以在Interpreting Diagnostic Tests
找到分类器和ROC曲线统计数据的介绍答案 4 :(得分：1)
我是这个领域的完全业余爱好者，但是你不使用你知道正确的预定数据集吗？
答案 5 :(得分：1)
我不相信有一个正确的答案，但有充分证明的概率或统计方法可以提供保证。统计方法通常称为Resampling。
我可以推荐的一种方法是Jackknife。
答案 6 :(得分：0)
我的老师总是说他的经验法则是用NN训练NN 80％的数据并用其他20％的数据进行验证。当然，请确保数据集尽可能全面。
答案 7 :(得分：0)
如果你想知道网络的反向传播是否正确，有一种简单的方法。
由于您计算了错误格局的派生，因此您可以在数字上检查您的实现是否正确。您将根据特定权重计算误差的导数∂E/∂w。你可以证明
∂E/∂w=（E（w + e） - E（w - e））/（2 * e）+ O（e ^ 2）。
（Bishop，机器学习和模式识别，第246页）
基本上，您评估重量左侧的误差，将其评估到重量的右侧，如果数值梯度与分析梯度相同，则进行检查。
答案 8 :(得分：0)
对我来说，可能只有一个值需要额外的努力来验证反向传播的梯度。我认为拜耳的答案实际上是常用和建议的。您需要为此编写额外的代码，但所有代码都是前向传播矩阵乘法，易于编写和验证。
还有一些其他问题会阻止您获得最佳答案，例如：
但是我认为它们超出了编程bug的范围。