Ⅰ 網路延遲總是變化很大 怎麼解決
這個問題我也遇到過，困擾了很久。我研究發現是跟網卡和網卡驅動程序有關系的。別的辦法不用看的，都沒用。
Ⅱ 網路波動是怎麼回事
就是鏈接不穩定,可能是當地運營商造成的,也有可能是伺服器本身就不足穩定。如果是運營商的問題建議使用網路加速器。
Ⅲ Matlab的神經網路訓練完了，怎麼測試的時候誤差這么大
預測數據與實際數據的相對誤差就是一個衡量指標。
Ⅳ 神經網路訓練時准確度突然變得急劇下降，為啥
可能是因為太激進，設置太高的學習率，也可能是因為設置的參數的問題。
Ⅳ cnn訓練准確率很高，測試准確率很低（loss有一直下降）是為什麼
可能的原因：
有可能是層數較少，可以嘗試增加卷積層；可能性不大。
之前我有出現過類似的情況，數據本身質量太低，就算訓練層可以保證很高的准確率也沒有什麼意義，此時已經過擬合了。 這種情況是沒有辦法的，因為你的數據本身就有問題，無解。 你可以嘗試用 機器學習的方法提取特徵值 來驗證， 如果此時准確率比CNN結果要好，那麼就是你網路本身的問題，如果准確率也很差， 那就應該是你數據本身質量的問題。
Ⅵ BP神經網路每次訓練結果不一樣是怎麼回事
因為初始權值和閾值是隨機產生的。
神經網路每次結果不同是因為初始化的權值和閾值是隨機的,因為每次的結果不一樣，才有可能找到比較理想的結果,找到比較好的結果後，用命令save filename net;保存網路，可使預測的結果不會變化，調用時用命令load filename net;
Ⅶ RBF神經網路預測和訓練結果差距很大
RBF訓練時的樣本要有代表性，如果實際預測時的輸入與訓練樣本差得遠，就類似於我們做函數擬合時的外插一樣，誤差大是可以理解的。
Ⅷ 神經網路訓練loss收斂的問題
這個問題比較泛，因為網路的損失函數是由自己設計的，如果不特殊說明一般是有均方誤差和交叉熵兩種損失函數的。其中均方誤差當然就是指的輸出與標簽的差的平方和的平均，計算方式如下： 而交叉熵則是為了防止網路在訓練後期遲緩而提出的一種損失函數，計算方式如下：
Ⅸ 生成對抗網路中損失值為什麼會大於1
生成對抗網路是一種生成模型（Generative Model），其背後最基本的思想就是從訓練庫里獲取很多的訓練樣本（Training Examples），從而學習這些訓練案例生成的概率分布。
一些生成模型可以給出概率分布函數定義的估測，而另一些生成模型可以給你全新的樣本，這些新樣本來自於原有生成訓練庫的概率分布。
Ⅹ 為什麼訓練神經網路時loss下降很慢並且在小范圍波動劇烈，精度卻沒有任何變化
考慮更換激活函數，或引入正則化。