Ⅰ 關於MATLAB中BP神經網路模型訓練後的驗證
用法錯了。
premnmx函數用於將網路的輸入數據或輸出數據進行歸一化，歸一化後的數據將分布在[-1,1]區間內。premnmx語句的語法格式是
[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T)
其中P，T分別為原始輸入和輸出數據，minp和maxp分別為P中的最小值和最大值。mint和maxt分別為T的最小值和最大值。
我們在訓練網路時如果所用的是經過歸一化的樣本數據，那麼以後使用網路時所用的新數據也應該和樣本數據接受相同的預處理，這就要用到tramnmx。
[Pn]=tramnmx(P,minp,maxp)
Ⅱ 關於MATLAB的bp神經網路模型的訓練和驗證
可能發生了過度擬合的問題，導致網路泛化能力不足。
你訓練的樣本波動性很強，但專是你檢驗的樣本波動屬性很弱，神經網路在適應變化極大的問題時，效果不太好。
泛化：當某一反應與某種刺激形成條件聯系後，這一反應也會與其它類似的刺激形成某種程度的條件聯系，這一過程稱為泛化。在心理學心理咨詢中所謂泛化指的是：引起求助者目前不良的心理和行為反應的刺激事件不再是最初的事件，同最初刺激事件相類似、相關聯的事件（已經泛化），甚至同最初刺激事件不類似、無關聯的事件（完全泛化），也能引起這些心理和行為反應（症狀表現）。
Ⅲ 為什麼要對訓練好的神經網路進行測試目的是什麼測試和訓練過程區別是什麼
訓練得到擬合程度高的網路，測試樣本的准確率未必高。一個好的網路應該具有很回好的泛答化能力。
可以這樣理解，訓練是根據你輸入的數據通過修正權值來減小誤差得到網路模型，測試是用另外的數據去測試網路的性能。
Ⅳ 如何訓練神經網路
1、先別著急寫代碼
訓練神經網路前，別管代碼，先從預處理數據集開始。我們先花幾個小時的時間，了解數據的分布並找出其中的規律。
Andrej有一次在整理數據時發現了重復的樣本，還有一次發現了圖像和標簽中的錯誤。所以先看一眼數據能避免我們走很多彎路。
由於神經網路實際上是數據集的壓縮版本，因此您將能夠查看網路（錯誤）預測並了解它們的來源。如果你的網路給你的預測看起來與你在數據中看到的內容不一致，那麼就會有所收獲。
一旦從數據中發現規律，可以編寫一些代碼對他們進行搜索、過濾、排序。把數據可視化能幫助我們發現異常值，而異常值總能揭示數據的質量或預處理中的一些錯誤。
2、設置端到端的訓練評估框架
處理完數據集，接下來就能開始訓練模型了嗎？並不能！下一步是建立一個完整的訓練+評估框架。
在這個階段，我們選擇一個簡單又不至於搞砸的模型，比如線性分類器、CNN，可視化損失。獲得准確度等衡量模型的標准，用模型進行預測。
這個階段的技巧有：
· 固定隨機種子
使用固定的隨機種子，來保證運行代碼兩次都獲得相同的結果，消除差異因素。
· 簡單化
在此階段不要有任何幻想，不要擴增數據。擴增數據後面會用到，但是在這里不要使用，現在引入只會導致錯誤。
· 在評估中添加有效數字
在繪制測試集損失時，對整個測試集進行評估，不要只繪制批次測試損失圖像，然後用Tensorboard對它們進行平滑處理。
· 在初始階段驗證損失函數
驗證函數是否從正確的損失值開始。例如，如果正確初始化最後一層，則應在softmax初始化時測量-log(1/n_classes)。
· 初始化
正確初始化最後一層的權重。如果回歸一些平均值為50的值，則將最終偏差初始化為50。如果有一個比例為1:10的不平衡數據集，請設置對數的偏差，使網路預測概率在初始化時為0.1。正確設置這些可以加速模型的收斂。
· 人類基線
監控除人為可解釋和可檢查的損失之外的指標。盡可能評估人的准確性並與之進行比較。或者對測試數據進行兩次注釋，並且對於每個示例，將一個注釋視為預測，將第二個注釋視為事實。
· 設置一個獨立於輸入的基線
最簡單的方法是將所有輸入設置為零，看看模型是否學會從輸入中提取任何信息。
· 過擬合一個batch
增加了模型的容量並驗證我們可以達到的最低損失。
· 驗證減少訓練損失
嘗試稍微增加數據容量。
Ⅳ 深度學習中測試數據跟驗證數據的區別是什麼我不太理解驗證數據是干什麼的
通常在深度學習中將數據集劃分為訓練集、驗證集和測試集。訓練數據是用來訓練神經網路模型的數據，驗證數據的作用是：在神經網路訓練的過程中不斷測試模型的誤差，驗證數據的誤差隨著神經網路模型訓練的次數增加會呈現先減小後增加的數據，所以驗證數據的誤差會存在一個拐點，當達到這個拐點時停止神經網路的訓練，這時得到的神經網路的誤差最小。而測試數據就是用來在神經網路訓練完畢的時候測試模型的誤差的數據。
再通俗易懂的舉例形容如下
訓練集：相當於教材或例題，訓練集在我們的模型過程中起的作用就是更新模型的參數，用以獲得更好的性能，其行為表現就是讓我們以為模型掌握了相關的知識（規律）。
驗證集：相當於模擬考試，只是你調整自己狀態的指示器，這種調整的結果（從模擬考到高考），有可能更好，也有可能更糟糕。驗證集的存在是為了從一堆可能的模型中，幫我們選出表現最好的那個，可用來選超參數。
測試集：相當於高考，其特點是一考定終身，不給改的機會。訓練集用來評估模型最終的性能；當多個模型進行對比試驗驗證模型性能時，多個模型應該在相同的測試集上面進行對比，這樣才有效。就好比甲做A地區的卷子考了600分，乙做B地區的卷子考了590分，能不能說甲比乙成績高，答案是不能。此外，請勿對測試數據進行訓練。 如果評估指標取得了意外的好結果，則可能表明不小心對測試集進行了訓練。例如，高准確率可能表明測試數據泄露到了訓練集。
另：常見的劃分原則有交叉驗證法、留出法。
Ⅵ BP神經網路是怎麼訓練的
就是將訓練樣本集劃分為兩部分，測試集和驗證集，僅用測試集訓練，每次訓練後用驗證集代入，求其誤差和，當訓練誤差不斷減小而驗證誤差卻增加時，可以考慮演算法終止，再訓練可能就會過擬合。
希望你能看明白