Ⅰ 网络延迟总是变化很大 怎么解决
这个问题我也遇到过，困扰了很久。我研究发现是跟网卡和网卡驱动程序有关系的。别的办法不用看的，都没用。
Ⅱ 网络波动是怎么回事
就是链接不稳定,可能是当地运营商造成的,也有可能是服务器本身就不足稳定。如果是运营商的问题建议使用网络加速器。
Ⅲ Matlab的神经网络训练完了，怎么测试的时候误差这么大
预测数据与实际数据的相对误差就是一个衡量指标。
Ⅳ 神经网络训练时准确度突然变得急剧下降，为啥
可能是因为太激进，设置太高的学习率，也可能是因为设置的参数的问题。
Ⅳ cnn训练准确率很高，测试准确率很低（loss有一直下降）是为什么
可能的原因：
有可能是层数较少，可以尝试增加卷积层；可能性不大。
之前我有出现过类似的情况，数据本身质量太低，就算训练层可以保证很高的准确率也没有什么意义，此时已经过拟合了。 这种情况是没有办法的，因为你的数据本身就有问题，无解。 你可以尝试用 机器学习的方法提取特征值 来验证， 如果此时准确率比CNN结果要好，那么就是你网络本身的问题，如果准确率也很差， 那就应该是你数据本身质量的问题。
Ⅵ BP神经网络每次训练结果不一样是怎么回事
因为初始权值和阈值是随机产生的。
神经网络每次结果不同是因为初始化的权值和阈值是随机的,因为每次的结果不一样，才有可能找到比较理想的结果,找到比较好的结果后，用命令save filename net;保存网络，可使预测的结果不会变化，调用时用命令load filename net;
Ⅶ RBF神经网络预测和训练结果差距很大
RBF训练时的样本要有代表性，如果实际预测时的输入与训练样本差得远，就类似于我们做函数拟合时的外插一样，误差大是可以理解的。
Ⅷ 神经网络训练loss收敛的问题
这个问题比较泛，因为网络的损失函数是由自己设计的，如果不特殊说明一般是有均方误差和交叉熵两种损失函数的。其中均方误差当然就是指的输出与标签的差的平方和的平均，计算方式如下： 而交叉熵则是为了防止网络在训练后期迟缓而提出的一种损失函数，计算方式如下：
Ⅸ 生成对抗网络中损失值为什么会大于1
生成对抗网络是一种生成模型（Generative Model），其背后最基本的思想就是从训练库里获取很多的训练样本（Training Examples），从而学习这些训练案例生成的概率分布。
一些生成模型可以给出概率分布函数定义的估测，而另一些生成模型可以给你全新的样本，这些新样本来自于原有生成训练库的概率分布。
Ⅹ 为什么训练神经网络时loss下降很慢并且在小范围波动剧烈，精度却没有任何变化
考虑更换激活函数，或引入正则化。