BP神經(jīng)網(wǎng)絡輸入層神經(jīng)元個數(shù)是越多越好嗎？對于非線性擬合，隱層一般為1-2層；至于隱層神經(jīng)元的個數(shù)，越多越好，過多可能出現(xiàn)過擬合現(xiàn)象，如果您想嘗試，也可以參考一些經(jīng)驗公式。深度神經(jīng)網(wǎng)絡是否夸張地過擬合

BP神經(jīng)網(wǎng)絡輸入層神經(jīng)元個數(shù)是越多越好嗎？

對于非線性擬合，隱層一般為1-2層；至于隱層神經(jīng)元的個數(shù)，越多越好，過多可能出現(xiàn)過擬合現(xiàn)象，如果您想嘗試，也可以參考一些經(jīng)驗公式。

深度神經(jīng)網(wǎng)絡是否夸張地過擬合了？

這不可能是一樣的。

1. 過度裝配可分為許多情況。一是現(xiàn)在的情況太多了。這種神經(jīng)網(wǎng)絡能對許多情況給出正確的答案。即使它是過度安裝，你也無法證明它。此外，即使它能工作和排氣，也沒有壞處。

2. 是否過擬合與我們的神經(jīng)網(wǎng)絡模型和訓練集有關。當二者的組合過擬合時，它在訓練集上運行良好，在驗證集上也會出現(xiàn)問題。現(xiàn)在有一些方法可以對訓練集的數(shù)據(jù)進行預處理、多次輸入和多次訓練。

3. 目前，過度擬合的問題是不可避免的。培訓本身就是一種適應過程。如果未來在數(shù)學原理或應用這方面有質的突破，可能有解決的機會。

BP神經(jīng)網(wǎng)絡是不是隱含層節(jié)點數(shù)越多越好，還是只要最優(yōu)就行？

在BP網(wǎng)絡中，隱層節(jié)點的選取非常重要，它不僅對神經(jīng)網(wǎng)絡模型的性能有很大的影響，而且是訓練中“過擬合”的直接原因。然而，理論上還沒有一種科學、通用的方法來確定隱層節(jié)點的個數(shù)。目前，文獻中提出的確定隱層節(jié)點個數(shù)的計算公式大多針對訓練樣本數(shù)目任意的情況，大多針對最不利的情況，在一般工程實踐中難以滿足，不宜采用。實際上，各種計算公式得到的隱層節(jié)點數(shù)有時會相差數(shù)倍甚至數(shù)百倍。為了盡可能避免訓練中的“過擬合”現(xiàn)象，保證足夠高的網(wǎng)絡性能和泛化能力，確定隱層節(jié)點數(shù)的最基本原則是在滿足精度要求的前提下盡量選擇緊湊的結構，即，選擇盡可能少的隱藏層節(jié)點。研究表明，隱層節(jié)點數(shù)不僅與輸入/輸出層節(jié)點數(shù)有關，還與待解決問題的復雜性、傳遞函數(shù)的類型和樣本數(shù)據(jù)的特征有關。在確定隱層節(jié)點數(shù)時，必須滿足以下條件：（1）隱層節(jié)點數(shù)必須小于n-1（其中n為訓練樣本數(shù)），否則，網(wǎng)絡模型的系統(tǒng)誤差與訓練樣本的特性無關，趨于零，即，該網(wǎng)絡模型沒有泛化能力，沒有實用價值。同樣，可以推斷輸入層中的節(jié)點（變量）數(shù)量必須小于n-1。（2） 訓練樣本數(shù)必須大于網(wǎng)絡模型的連接權重，一般為2-10倍。否則，必須將樣本分成若干部分，采用“輪流訓練”的方法得到可靠的神經(jīng)網(wǎng)絡模型?？傊绻[層節(jié)點數(shù)量太少，網(wǎng)絡可能根本無法訓練，或者網(wǎng)絡性能很差；如果隱層節(jié)點數(shù)量太多，雖然可以減少網(wǎng)絡的系統(tǒng)誤差，但一方面，網(wǎng)絡訓練時間會延長；另一方面，訓練時間會變長容易陷入局部極小而得不到最好，這也是訓練中“過度擬合”的內在原因。因此，在綜合考慮網(wǎng)絡結構的復雜性和誤差大小的基礎上，采用節(jié)點刪除法和擴展法確定合理的隱層節(jié)點數(shù)。

請教大牛神經(jīng)網(wǎng)絡的過擬合問題？

你的問題很模糊。你想知道神經(jīng)網(wǎng)絡的過擬合是什么樣的嗎？為什么會有過擬合。對于第一個問題，神經(jīng)網(wǎng)絡的過擬合類似于支持向量機、高斯混合模型等建模方法的過擬合，說明訓練數(shù)據(jù)集的建模效果很好，而測試數(shù)據(jù)集的建模效果很差，由于強學習能力是預測模型中的噪聲會湮滅有用信息，導致泛化能力差。對于第二個問題，產生上述現(xiàn)象的主要原因是隱層節(jié)點過多（隱層節(jié)點越多，學習能力越強），這使得預測模型在訓練過程中挖掘訓練數(shù)據(jù)集中的噪聲，即噪聲會湮滅有用信息。因此，在使用神經(jīng)網(wǎng)絡建模時，必須處理模型過擬合的問題。一方面，我們可以增加樣本數(shù)據(jù)集，另一方面，我們可以使用交叉驗證來選擇適當數(shù)量的隱層節(jié)點，在精度和泛化能力之間做出權衡。最常用的方法是加入正則化項，在一定程度上可以防止模型過擬合的問題。（機器學習算法和python學習）