① 神经网络中损失函数一般降到多少就可以了
关键不是损失函数降到多少，关键是你的模型测试集效果要好。训练集再好也没有用，可能是过拟合，所以不要太在意损失函数降到多少的问题。
② 训练好的cnn网络的损失函数最后为多少
上世纪60年代，Hubel等人通过对猫视觉皮层细胞的研究，提出了感受野这个概念，到80年代，Fukushima在感受野概念的基础之上提出了神经认知机的概念，可以看作是卷积神经网络的第一个实现网络，神经认知机将一个视觉模式分解成许多子模式（特征），然后进入分层递阶式相连的特征平面进行处理，它试图将视觉系统模型化，使其能够在即使物体有位移或轻微变形的时候，也能完成识别。
卷积神经网络(Convolutional Neural Networks, CNN)是多层感知机(MLP)的变种。由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来。视觉皮层的细胞存在一个复杂的构造。这些细胞对视觉输入空间的子区域非常敏感，我们称之为感受野，以这种方式平铺覆盖到整个视野区域。这些细胞可以分为两种基本类型，简单细胞和复杂细胞。简单细胞最大程度响应来自感受野范围内的边缘刺激模式。复杂细胞有更大的接受域，它对来自确切位置的刺激具有局部不变性。
通常神经认知机包含两类神经元，即承担特征提取的采样元和抗变形的卷积元，采样元中涉及两个重要参数，即感受野与阈值参数，前者确定输入连接的数目，后者则控制对特征子模式的反应程度。卷积神经网络可以看作是神经认知机的推广形式，神经认知机是卷积神经网络的一种特例。
CNN由纽约大学的Yann LeCun于1998年提出。CNN本质上是一个多层感知机，其成功的原因关键在于它所采用的局部连接和共享权值的方式，一方面减少了的权值的数量使得网络易于优化，另一方面降低了过拟合的风险。CNN是神经网络中的一种，它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。在二维图像处理上有众多优势，如网络能自行抽取图像特征包括颜色、纹理、形状及图像的拓扑结构；在处理二维图像问题上，特别是识别位移、缩放及其它形式扭曲不变性的应用上具有良好的鲁棒性和运算效率等。
CNN本身可以采用不同的神经元和学习规则的组合形式。
③ 神经网络能否较快收敛
要收敛快，就把学习步长设长一些、目标精度设低一些即可。
④ 为什么神经网络损失函数在下降正确率却始终不变
一般是对参量求导。问题就是选择最佳的参量值使损失最小。
⑤ matlab中的神经网络拟合怎么在mse=1左右就不走了 请问是他已经收敛了么。这样的结果可以用么
建议你去网上下载一个checkmark，matlab写的，里面有你需要的全部东东，还有一些更宝贵的代码
以上。
做过的老狼
⑥ BP人工神经网络的收敛是什么
收敛和迭代算法有关。
反向传播算法是定义一个误差er（往往是输出结果与预想结果之间的某个范数），然后求出满足误差极小的权向量。如果把误差看成一个连续函数（泛函）的话，求对权向量各分量的偏导为0即可，但是实际上它是离散的，所以我们需要用迭代来求最小梯度。
如果是新定义算法的话理论上的收敛要证明，可以证明它在迭代次数趋近无穷的时候等于某一解，也可以证明它满足李普希兹条件（就是带有完备范数和李普希兹常数的那个），这种情形下我们叫做收敛，要是用已有算法或者干脆就是BP算法的时候不需要你证明。理论上不收敛的情况是这样，当迭代次数趋近无穷的时候，权向量的解不唯一。
实际上的收敛是这样，给定一个最大迭代次数n，一个误差限erl，反向传播算法应该很容易找，我不往上写了，每一步权值修正都会使er减小，直观的看就是权向量的分量沿着梯度减小的方向在前进，虽然理论上样本足够大并且n趋于无穷的时候会收敛，但是实际上有可能出现当迭代到第n次，误差er依然大于误差限erl的情况，也就是说我们没有解出来满足要求的权向量，所以网络训练失败，叫做不收敛。当然，也可以使用梯度限来作为迭代终止的条件，这种情况下不收敛就是梯度在迭代了n次以后没有小于某一值，从而没有求出满足要求的权向量；收敛就是求出了满足梯度限的权向量。
⑦ bp神经网络收敛问题
当然是越慢。因为已经接近最低点，训练也进入误差曲面的平坦区，每次搜索的误差下降速度是减慢的。这一点可以在BP神经网络的误差调整公式上看出。
事实上收敛速度逐渐减慢，这是正常的，如果一定要避免这种情况，可以自适应改变学习率。
由于传统BP算法的学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。
BP算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法可能产生一个局部最小值。对于这个问题，可以采用附加动量法来解决。
⑧ 神经网络中的梯度与损失值区别
层数比较多的神经网络模型在训练的时候会出现梯度消失(gradient vanishing problem)和梯度爆炸(gradient exploding problem)问题。
梯度消失问题和梯度爆炸问题一般会随着网络层数的增加变得越来越明显。
⑨ 神经网络利用哪种算法将损失函数的值降到最低
用的是梯度下降算法，用偏微分找出超平面下降最快的方向，使损失函数快速下降。
⑩ 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：