神經網路一般多少顯存夠用

❶ 神經網路的數據量多少比較合適

一般來說要1萬以上，越多越好，但要保證採集標准統一，且輸出為相同的數據不能太多。

❷ matlab神經網路訓練一般需要多少數據

你這個問題真的不好回答，因為沒有固定答案，也沒有什麼經驗答案，不能太少也不能太多，因為需要根據實際情況決定了，看你是要做什麼了

❸ 運行神經網路的機器需要什麼配置

摘要 您好~這道問題問得很好，我需要一點時間編輯答案，還請您耐心等待一下。

❹ 怎麼查看自己搭建的神經網路需要的顯存

newrb設計了徑向基網路，調用格式：net=newrb[net,tr]=newrb(P,T,goal,spread,MN,DF)P-Q組輸入向量組成的R×Q維矩陣；T-Q組目標分類向量組成的S×Q維矩陣；goal-均方誤差,默認值為0；spread-徑向基函數的擴展速度,默認值為1；MN-神經元的最大數目,默認是QDF-兩次顯示之間所添加的神經元數目,默認值為25；net-返回值，一個徑向基網路；tr-返回值，訓練紀錄。

❺ BP神經網路的訓練集需要大樣本嗎一般樣本個數為多少

BP神經網路的訓練集需要大樣本嗎？一般樣本個數為多少？
BP神經網路樣本數有什麼影響
學習神經網路這段時間，有一個疑問，BP神經網路中訓練的次數指的網路的迭代次數，如果有a個樣本,每個樣本訓練次數n，則網路一共迭代an次，在n>>a 情況下 ， 網路在不停的調整權值，減小誤差，跟樣本數似乎關系不大。而且，a大了的話訓練時間必然會變長。
換一種說法，將你的數據集看成一個固定值， 那麼樣本集與測試集 也可以按照某種規格確定下來如7：3 所以如何看待 樣本集的多少與訓練結果呢？ 或者說怎麼使你的網路更加穩定，更加符合你的所需 。

我嘗試從之前的一個例子中看下區別

如何用70行Java代碼實現深度神經網路演算法

作者其實是實現了一個BP神經網路 ，不多說，看最後的例子

一個運用神經網路的例子
最後我們找個簡單例子來看看神經網路神奇的效果。為了方便觀察數據分布，我們選用一個二維坐標的數據，下面共有4個數據，方塊代表數據的類型為1，三角代表數據的類型為0，可以看到屬於方塊類型的數據有（1，2）和（2，1），屬於三角類型的數據有（1，1），（2，2），現在問題是需要在平面上將4個數據分成1和0兩類，並以此來預測新的數據的類型。


圖片描述

我們可以運用邏輯回歸演算法來解決上面的分類問題，但是邏輯回歸得到一個線性的直線做為分界線，可以看到上面的紅線無論怎麼擺放，總是有一個樣本被錯誤地劃分到不同類型中，所以對於上面的數據，僅僅一條直線不能很正確地劃分他們的分類，如果我們運用神經網路演算法，可以得到下圖的分類效果，相當於多條直線求並集來劃分空間，這樣准確性更高。

圖片描述

簡單粗暴，用作者的代碼運行後 訓練5000次 。根據訓練結果來預測一條新數據的分類（3,1）



預測值 （3,1）的結果跟（1,2）（2,1）屬於一類 屬於正方形

這時如果我們去掉 2個樣本，則樣本輸入變成如下

//設置樣本數據，對應上面的4個二維坐標數據
double[][] data = new double[][]{{1,2},{2,2}};
//設置目標數據，對應4個坐標數據的分類
double[][] target = new double[][]{{1,0},{0,1}};
1
2
3
4
1
2
3
4




則（3,1）結果變成了三角形，

如果你選前兩個點 你會發現直接一條中間線就可以區分 這時候的你的結果跟之前4個點時有區別 so 你得增加樣本 直到這些樣本按照你所想要的方式分類 ，所以樣本的多少 重要性體現在，樣本得能反映所有的特徵值（也就是輸入值） ，樣本多少或者特徵（本例子指點的位置特徵）決定的你的網路的訓練結果，！！！這是 我們反推出來的結果 。這里距離深度學習好像近了一步。

另外，這個70行代碼的神經網路沒有保存你訓練的網路 ，所以你每次運行都是重新訓練的網路。其實，在你訓練過後 權值已經確定了下來，我們確定網路也就是根據權值，so只要把訓練後的權值保存下來，將需要分類的數據按照這種權值帶入網路，即可得到輸出值，也就是一旦網路確定， 權值也就確定，一個輸入對應一個固定的輸出，不會再次改變！個人見解。

最後附上作者的源碼，作者的文章見開頭鏈接
下面的實現程序BpDeep.java可以直接拿去使用，

import java.util.Random;
public class BpDeep{
public double[][] layer;//神經網路各層節點
public double[][] layerErr;//神經網路各節點誤差
public double[][][] layer_weight;//各層節點權重
public double[][][] layer_weight_delta;//各層節點權重動量
public double mobp;//動量系數
public double rate;//學習系數

public BpDeep(int[] layernum, double rate, double mobp){
this.mobp = mobp;
this.rate = rate;
layer = new double[layernum.length][];
layerErr = new double[layernum.length][];
layer_weight = new double[layernum.length][][];
layer_weight_delta = new double[layernum.length][][];
Random random = new Random();
for(int l=0;l<layernum.length;l++){
layer[l]=new double[layernum[l]];
layerErr[l]=new double[layernum[l]];
if(l+1<layernum.length){
layer_weight[l]=new double[layernum[l]+1][layernum[l+1]];
layer_weight_delta[l]=new double[layernum[l]+1][layernum[l+1]];
for(int j=0;j<layernum[l]+1;j++)
for(int i=0;i<layernum[l+1];i++)
layer_weight[l][j][i]=random.nextDouble();//隨機初始化權重
}
}
}
//逐層向前計算輸出
public double[] computeOut(double[] in){
for(int l=1;l<layer.length;l++){
for(int j=0;j<layer[l].length;j++){
double z=layer_weight[l-1][layer[l-1].length][j];
for(int i=0;i<layer[l-1].length;i++){
layer[l-1][i]=l==1?in[i]:layer[l-1][i];
z+=layer_weight[l-1][i][j]*layer[l-1][i];
}
layer[l][j]=1/(1+Math.exp(-z));
}
}
return layer[layer.length-1];
}
//逐層反向計算誤差並修改權重
public void updateWeight(double[] tar){
int l=layer.length-1;
for(int j=0;j<layerErr[l].length;j++)
layerErr[l][j]=layer[l][j]*(1-layer[l][j])*(tar[j]-layer[l][j]);

while(l-->0){
for(int j=0;j<layerErr[l].length;j++){
double z = 0.0;
for(int i=0;i<layerErr[l+1].length;i++){
z=z+l>0?layerErr[l+1][i]*layer_weight[l][j][i]:0;
layer_weight_delta[l][j][i]= mobp*layer_weight_delta[l][j][i]+rate*layerErr[l+1][i]*layer[l][j];//隱含層動量調整
layer_weight[l][j][i]+=layer_weight_delta[l][j][i];//隱含層權重調整
if(j==layerErr[l].length-1){
layer_weight_delta[l][j+1][i]= mobp*layer_weight_delta[l][j+1][i]+rate*layerErr[l+1][i];//截距動量調整
layer_weight[l][j+1][i]+=layer_weight_delta[l][j+1][i];//截距權重調整
}
}
layerErr[l][j]=z*layer[l][j]*(1-layer[l][j]);//記錄誤差
}
}
}

public void train(double[] in, double[] tar){
double[] out = computeOut(in);
updateWeight(tar);
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
下面是這個測試程序BpDeepTest.java的源碼：

import java.util.Arrays;
public class BpDeepTest{
public static void main(String[] args){
//初始化神經網路的基本配置
//第一個參數是一個整型數組，表示神經網路的層數和每層節點數，比如{3,10,10,10,10,2}表示輸入層是3個節點，輸出層是2個節點，中間有4層隱含層，每層10個節點
//第二個參數是學習步長，第三個參數是動量系數
BpDeep bp = new BpDeep(new int[]{2,10,2}, 0.15, 0.8);

//設置樣本數據，對應上面的4個二維坐標數據
double[][] data = new double[][]{{1,2},{2,2},{1,1},{2,1}};
//設置目標數據，對應4個坐標數據的分類
double[][] target = new double[][]{{1,0},{0,1},{0,1},{1,0}};

//迭代訓練5000次
for(int n=0;n<5000;n++)
for(int i=0;i<data.length;i++)
bp.train(data[i], target[i]);

//根據訓練結果來檢驗樣本數據
for(int j=0;j<data.length;j++){
double[] result = bp.computeOut(data[j]);
System.out.println(Arrays.toString(data[j])+":"+Arrays.toString(result));
}

//根據訓練結果來預測一條新數據的分類
double[] x = new double[]{3,1};
double[] result = bp.computeOut(x);
System.out.println(Arrays.toString(x)+":"+Arrays.toString(result));
}
}

❻ unet模型屬於哪種神經網路

unet模型屬於卷積神經網路。是德國弗萊堡大學計算機科學系為生物醫學圖像分割而開發的，該網路基於全卷積網路其架構經過修改和擴展，可以使用更少的訓練圖像並產生更精確的分割，Unet是2015年誕生的模型。

unet模型的特點

Unet是比較早的基於深度學習的分割演算法了，優點是速度真的快P100上基於VGG的backbone能跑到50幀，同時不是太開放的場景下可以做到令人滿意的分割效果，在對實時性要求較高的場合下是比較適用的不是所有的場合都能上MaskRCNN的Backbone大一點。

如果顯卡差點就容易爆顯存了，同時相比大分割網路的模型動輒幾百Mb，Unet用小backbone模型就可以做到10Mb內，Conv層通道減少一點再把網路模型參數分開，模型大小可以做到很小，用CPU跑速度都挺快的，關鍵是分割精度在較為簡單場景下還可以。

❼ 人腦有多大的內存

在《大腦與思維》雜志發表的文章稱，盡管最大的電腦的記憶容量是1,000,000,000,000個位元組（10的12次方），人腦的記憶容量的位元組數則大約到10後面跟8432個零。 人腦中神經元的數量是已知的，大約為1000億個，許多分析家以此為基礎提出了電腦不久將超過人腦的觀點。但是，研究人員並不局限於這個角度，他們運用一系列運演算法則，計算出了人腦的記憶容量，其中包括不同神經網路的龐大功能。 具有諷刺意味的是，這項發現可能會改變電腦設計的思路。今後電腦的改進可能不是增加位元組，而是模仿人腦，更加註重神經網路。
答案補充
人腦 好象是 誰來著 研究的 說人腦開發最好的不過 才開發了%5 %95是你達不到的！`人腦里的電能帶起 20W燈泡吧 人腦子里儲存的各種信息，可相當於美國國會圖書館的50倍，即5億本書的知識 你想想比內存好吧！~ 人腦細胞有140——160億條，被開發利用的僅佔1/10。大人的大腦平均為人體總體重的2%，但它需要使用全身所用氧氣的25%，相比之下腎臟只需12%，心臟只需7%。神經信號在神經或肌肉纖維中的傳遞速度可以高達每小時200英里。 人體內有45英里的神經。 人的大腦細胞數超過全世界人口總數2倍多，每天可處理8600萬條信息，其記憶貯存的信息超過任何一台電子計算機。 把世界上的CPU加起來吧！~ CPU只不過是 被開發出來的了 人腦你才開發了5% 你要全開發了 幽默點說 你自己回家印美圓去吧！~哎！~美圓不值錢 印英鎊算了！~ 一句話 電腦內存也好 CPU處理快也好 是因為被開發出來 人腦還是未知95%啊！~

❽ 哪家服務商GPU更適合深度學習領域

現在基本上都會選擇雲服務讓電腦上雲，租用雲伺服器的方式來完成深度學習領域需要的高配電腦服務。
總體而言，NVIDIA目前最適合深度學習的GPU是RTX3080和RTX3090。RTX系列顯卡對於深度學習來說最大的優勢在於專為神經網路設計的運算單元——Tensor Core（張量核心），而RTX30系列性能的提升是上一代產品圖靈架構的2倍。
根據測評參數，NVIDIA旗艦顯卡RTX3080擁有8704個CUDA核心，272個TMU，88個ROP，以及68個SM。Tensor Core數量達到544個，RT Core為136個。
其中，被稱為GPU「猛獸」的RTX 3090 使用代號為 GA102 的核心，和前代泰坦一樣擁有 24G 顯存，但型號升級為 DDR6X（鎂光提供），顯存速度 19.5Gbps，384bit 位寬，擁有 10496 個等效 CUDA 核心，相比 GeForce RTX 2080 Ti，3090 的核心數量增加一倍不止。
不過，自2020年9月上市以來，RTX3080和RTX3090一直處於一卡難求的狀態，市場價更是漲了7倍，而供貨商甚至無法預測具體的供貨時間。
對於企業和實驗室的科研人員而言，要在預算范圍內購買最新的GPU，特別是RTX3080和RTX3090這類旗艦顯卡難以實現；進行整機配置時，需要考慮多個因素，比如電源、機箱體積，主板的PCle卡槽等，這時候，雲電腦在GPU算力上的選擇則更為靈活和方便。

❾ gtx960顯卡4g內存能跑yolov5神經網路嗎

能跑，甚至部署在openvino上的話用cpu都能跑幾十幀

❿ sklearn神經網路節點數一般選多少

一般從1開始。
因為是全連接神經網路，所以會有很多個參數，參數右上角是下一層對應的網路層數（在吳恩達系列視屏中輸入層不作為一層。
所以右上角是從1開始的，此處是從2開始的），右下角第一個數是下一層神經元的位置，第二個數是前一層神經元的位置。