怎么知道神经网络模型训练好了
复值神经网络的实际意义？
复值神经网络的实际意义？
复值神经网络并不是一个新概念，然而，由于训练和性能方面的困难，使用实值模型往往比复值模型更受青睐。
当比较实值与复值神经网络时，现有文献通常忽略参数的数量，从而导致神经网络与极大不同的比较。
我们发现，当比较具有相似容量的真实和复杂神经网络时，复杂模型对于一系列实值分类任务执行等于或稍差于实值模型。
什么是全局神经网络？
全局神经网络（Neural network structure）指的是由心理学家和神经生物学家提出，由于神经网络在解决复杂问题时能够提供一种相对简单的方法，因此近年来越来越受到人们的关注。神经网络模型各种各样、 各式各样的模型从不同的角度对生物神经系统进行不同层次的描述和模拟。
bp神经网络隐层的作用？
感知机以及逻辑斯蒂回归模型再来看BP神经网络，可以感觉到一脉相承。感知机加上sigmoid非线性激活就是逻辑斯蒂回归，逻辑斯蒂回归在累加几个“隐层”（输入输出之间再加隐藏层）就是BP神经网络的模型。
隐层的加入增强了模型的表达能力，隐层的层数添加也可以更多，模型复杂度增强的同时也增强了模型的非线性拟合能力（表达能力）；输出层神经元可以变为多个（不只逻辑斯蒂回归的两个），这样便可以应用于多分类和回归任务；模型非线性激活函数也可以不仅仅是sigmoid，也可以是tanh、relu和softmax等等。BP神经网络有的书也叫做有些叫做多隐层感知机（Multi-Layer Perceptron,MLP）或者DNN（Deep Neural Networks ）,其实都是一个东西。
深度神经网络是否夸张地过拟合了？
这个不能一概论之的。
1.过拟合也分多种情况，1种是现在就这么多情况，这个神经网络已经能对这么多情况都给出正确答案了，那么就算过拟合了，你也是没办法证明的，另外即然能工作，能穷尽，也不存在坏处。
2.是不是过拟合，和我们的神经网络模型和训练集有关系，当二个的组合真的过拟合了，在训练集上过工作的很好，在验证集上就会出问题。现在有一些对训练集的数据进行各种预处理的方式后，多次输入，多次训练。
3.过拟合这个问题目前来看，无法避免，训练本身就是某种拟合的过程。如果将来在这个方面的数学原理或是使用上有质的突破，可能就会有机会解决。
首先，过拟合定义。
通过模型或者理解为函数，去拟合（表征）数据的过程就是拟合的的过程。
形象的理解，平面坐标系里有很多点，找一根线（函数）来表示这些点的规律的过程就是拟合。
YaX b
(x , y )是已知样本点
( x , ?)是目标未知的样本点
训练模型或者找函数的过程就是找合适的a,b两个参数的过程。
通过拟合好的高数，我们来预测未来的数据，当函数在已知的训练样本上拟合这些样本点，拟合的很好，在未知的测试样本上进行预测时，拟合的结果却很差，即模型（函数）出现了过拟合现象。
回答题目。
对已知的训练数据，模型越拟合精度越高，函数绘制的线描点描的越准确，这是必然。深度神经网络模型是否过拟合，要看模型在未知的测评数据集上表现出来的性能好坏。