Ⅰ 一般神經網路要訓練多久
決定神經網路訓練多久有很多因素，如用的是CPU還是GPU，神經網路的結點數、層數，學習速率，激活函數等。一般在測試集的准確率不再明顯增加時就可以停止訓練了。
Ⅱ 神經網路運算一般配多少G顯卡
8GB。
一個神經網路，除了看模型的性能（准確率/精度）以外，還要考慮在訓練/推理時模型佔用的內存大小和計算量，畢竟一個效果再好的模型，如果需要內存才能跑起來，綜上總的算下來，神經網路運算一般配8GB顯卡就夠用了。
Ⅲ 跑一個神經網路需要多久
神經網路訓練需要根據樣本量來判斷時間，一般情況下6個小時左右
人工神經網路（ArtificialNeuralNetworks，簡寫為ANNs）是一種模仿動物神經網路行為特徵，進行分布式並行信息處理的演算法數學模型
Ⅳ bp神經網路的缺點
1)局部極小化問題：從數學角度看，傳統的BP神經網路為一種局部搜索的優化方法，它要解決的是一個復雜非線性化問題，網路的權值是通過沿局部改善的方向逐漸進行調整的，這樣會使演算法陷入局部極值，權值收斂到局部極小點，從而導致網路訓練失敗。加上BP神經網路對初始網路權重非常敏感，以不同的權重初始化網路，其往往會收斂於不同的局部極小，這也是很多學者每次訓練得到不同結果的根本原因。
2)BP神經網路演算法的收斂速度慢：由於BP神經網路演算法本質上為梯度下降法，它所要優化的目標函數是非常復雜的，因此，必然會出現「鋸齒形現象」，這使得BP演算法低效；又由於優化的目標函數很復雜，它必然會在神經元輸出接近0或1的情況下，出現一些平坦區，在這些區域內，權值誤差改變很小，使訓練過程幾乎停頓。
3)BP神經網路結構選擇不一：BP神經網路結構的選擇至今尚無一種統一而完整的理論指導，一般只能由經驗選定。網路結構選擇過大，訓練中效率不高，可能出現過擬合現象，造成網路性能低，容錯性下降，若選擇過小，則又會造成網路可能不收斂。而網路的結構直接影響網路的逼近能力及推廣性質。因此，應用中如何選擇合適的網路結構是一個重要的問題。
4)應用實例與網路規模的矛盾問題：BP神經網路難以解決應用問題的實例規模和網路規模間的矛盾問題，其涉及到網路容量的可能性與可行性的關系問題，即學習復雜性問題。
5)BP神經網路預測能力和訓練能力的矛盾問題：預測能力也稱泛化能力或者推廣能力，而訓練能力也稱逼近能力或者學習能力。一般情況下，訓練能力差時，預測能力也差。
Ⅳ 核心顯卡可以跑神經網路
核心顯卡可以跑，神經網路的你可以在核心店卡裡面登錄好神經經絡網路，然後再進行系統操作就可以。