1、樣本變量不需要那么多，因為神經網絡的信息存儲能力有限，過多的樣本會造成一些有用的信息被丟棄。

2、如果樣本數量過多，應增加隱層節(jié)點數或隱層數目，才能增強學習能力。

【資料圖】

3、一、隱層數一般認為，增加隱層數可以降低網絡誤差（也有文獻認為不一定能有效降低），提高精度，但也使網絡復雜化，從而增加了網絡的訓練時間和出現“過擬合”的傾向。

4、一般來講應設計神經網絡應優(yōu)先考慮3層網絡（即有1個隱層）。

5、一般地，靠增加隱層節(jié)點數來獲得較低的誤差，其訓練效果要比增加隱層數更容易實現。

6、對于沒有隱層的神經網絡模型，實際上就是一個線性或非線性（取決于輸出層采用線性或非線性轉換函數型式）回歸模型。

7、因此，一般認為，應將不含隱層的網絡模型歸入回歸分析中，技術已很成熟，沒有必要在神經網絡理論中再討論之。

8、二、隱層節(jié)點數在BP 網絡中，隱層節(jié)點數的選擇非常重要，它不僅對建立的神經網絡模型的性能影響很大，而且是訓練時出現“過擬合”的直接原因，但是目前理論上還沒有一種科學的和普遍的確定方法。

9、 目前多數文獻中提出的確定隱層節(jié)點數的計算公式都是針對訓練樣本任意多的情況，而且多數是針對最不利的情況，一般工程實踐中很難滿足，不宜采用。

10、事實上，各種計算公式得到的隱層節(jié)點數有時相差幾倍甚至上百倍。

11、為盡可能避免訓練時出現“過擬合”現象，保證足夠高的網絡性能和泛化能力，確定隱層節(jié)點數的最基本原則是：在滿足精度要求的前提下取盡可能緊湊的結構，即取盡可能少的隱層節(jié)點數。

12、研究表明，隱層節(jié)點數不僅與輸入/輸出層的節(jié)點數有關，更與需解決的問題的復雜程度和轉換函數的型式以及樣本數據的特性等因素有關。

本文到此分享完畢，希望對大家有所幫助。