⑴ 如何入门卷积神经网络
注意：训练样本和测试样本是不一样的。判断正确和错误，主要是看能不能通过训练分析机以及是否在误差内。正确率的得出：对测试样本进行测试，看看识别出来的有哪些，除以测试样本的总数即可。
⑵ 卷积神经网络训练的参数是什么
嗯，卷积神经网络是一个通过他的训练的话，那他是知道她有一个参数，通过它的参数，你才能知道他的个训练的一个参数的一个对比值。
⑶ lecun关于卷积神经网络的matlab代码怎么训练和测试，要改哪些
错误原因是cnnsetup函数找不到。 1. 请将程序文件夹至于不含空格和中文的路径下，路径越简单越好，比如D:\works这种 2. 请在出错语句前加入一行： 1 which cnnsetup ; ls ; 然后贴出执行结果，以便诊断出错原因。
⑷ 训练一个图像识别分类的卷积神经网络，使用什么配置的电脑比较好
看你的描述这么专业，最后怎么问的有点外行，既然系统做图像识别的学习，肯定是需要大数据配合，电脑哪里处理的了，要用服务器，如果是初级应用，那么性能不一定要多强，两台入门级的服务器吧，因为可以支持多线程处理，为了节约，可以买国产的塔式服务器，便宜而且可以不用机柜，现在的服务器大多也都是千兆网卡了，不用特意要求，主要在内存和硬盘，现在的服务器瓶颈就是数据读取速度，资金允许就配固态盘做数据盘，配合前兆网卡和两台服务器处理能力，完美的学习环境。
⑸ 卷积神经网络是不是按顺序一张一张来训练的
卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。[1]它包括卷积层(alternating convolutional layer)和池层(pooling layer)。
卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。 K.Fukushima在1980年提出的新识别机是卷积神经网络的第一个实现网络。随后，更多的科研工作者对该网络进行了改进。其中，具有代表性的研究成果是Alexander和Taylor提出的“改进认知机”，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。
⑹ 卷积神经网络具体怎样训练
一般都是定了一个固定的核的，例如你29*29的图片，就用5*5的核。 这些都是经验。 当然你也可以用大些的。 然后核的具体的值，就是要训练出来的， 核的初始化的话，若果你的输入是0-1之前，那么核值也可以初始化在0-1之间，不会有太大的误差。 《神经网络之家》专讲神经网络这一块
⑺ 卷积神经网络训练精度高,测试精度很低的原因
过拟合了，原因很多，解决方案也有很多。网络/谷歌搜索过拟合 overfitting
个人会优先尝试减小网络规模，比如层数、卷积滤波器个数、全连接层的单元数这些。
其他的比如Dropout，数据增强/扩充，正则，earlystop，batchnorm也都可以尝试
⑻ 卷积神经网络训练mnist时间多久
迭代一万次的话CPU运行时候大约13分钟，GPU运行时间大约4分钟，GPU+cudnn运行时候大约40秒，精度都为99%左右