神经网络训练时准确度突然变得急剧下降，为啥?
谷歌人工智能写作项目：爱发猫
卷机神经网络为什么增加训练次数后 准确率降低了很多
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。
BP神经网络仿真时仿真结果准确率低。请问高手如何处理 5
cnn里面池化的作用是什么，为什么对于同样的神经网络，我们把sample层去掉之后反而正确率下降了？
cnn里面池化的作用：增大感受野。
所谓感受野，即一个像素对应回原图的区域大小，假如没有pooling，一个3*3，步长为1的卷积，那么输出的一个像素的感受野就是3*3的区域，再加一个stride=1的3*3卷积，则感受野为5*5。
假如我们在每一个卷积中间加上3*3的pooling呢？很明显感受野迅速增大，这就是pooling的一大用处。感受野的增加对于模型的能力的提升是必要的，正所谓“一叶障目则不见泰山也”。
正确率下降的原因：池化层往往跟在卷积层后面。通过平均池化或者最大池化的方法将之前卷基层得到的特征图做一个聚合统计。假设L层的卷积层得到的某一特征图有100*100这么大的尺寸。
选一个2*2的区域做不重叠的最大池化，池化层会输出50*50那么大的图，达到降低数据量的目的。采样层的作用可以等效为正则化，可以降低模型的耦合度，所以去掉的话准确率降低是正常的。
如果不加池化层应该保留原始数据，只影响模型训练速度是不影响性能的。总结如下：因为图像具有一种“静态性”的属性，这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。
例如，卷积层输出的特征图中两个相连的点的特征通常会很相似，假设a[0,0]，a[0,1]，a[1,0]，a[1,1]都表示颜色特征是红色，没有必要都保留作下一层的输入。
池化层可以将这四个点做一个整合，输出红色这个特征。可以达到降低模型的规模，加速训练的目的。
卷积神经网络训练精度高,测试精度很低的原因
过拟合了，原因很多，解决方案也有很多。百度/谷歌搜索过拟合overfitting个人会优先尝试减小网络规模，比如层数、卷积滤波器个数、全连接层的单元数这些。
其他的比如Dropout，数据增强/扩充，正则，earlystop，batchnorm也都可以尝试。
bp神经网络训练速度慢怎么调整
BP（BackPropagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
BP神经网络模型拓扑结构包括输入层（input）、隐层(hidelayer)和输出层(outputlayer)。人工神经网络就是模拟人思维的第二种方式。
这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。