1、为什么要批量训练神经网络
神经网络每次迭代的时候使用小批量，有两个好处，一方面可以降低参数更新时候的方差，收敛更加稳定，另一方面可以高度利用矩阵操作进行有效的梯度计算。
谷歌人工智能写作项目：小发猫
2、神经网络中的训练次数是指什么？
神经网络中的训练次数是训练时，1个batch训练图像通过网络训练一次（一次前向传播+一次后向传播），每迭代一次权重更新一次；测试时，1个batch测试图像通过网络一次（一次前向传播）的次数神经网络为什么要分批次训练。
在机器学习和相关领域，人工神经网络（人工神经网络）的计算模型灵感来自动物的中枢神经系统（尤其是脑），并且被用于估计或可以依赖于大量的输入和一般的未知近似函数。人工神经网络通常呈现为相互连接的“神经元”，它可以从输入的计算值，并且能够机器学习以及模式识别由于它们的自适应性质的系统。
例如，用于手写体识别的神经网络是由一组可能被输入图像的像素激活的输入神经元来限定。后进过加权，并通过一个函数（由网络的设计者确定的）转化，这些神经元的致动被上到其他神经元然后被传递。重复此过程，直到最后，一输出神经元被激活。这决定了哪些字符被读取。
扩展资料
神经网络分类：
1、选择模式：这将取决于数据的表示和应用。过于复杂的模型往往会导致问题的学习。
2、学习算法：在学习算法之间有无数的权衡。几乎所有的算法为了一个特定的数据集训练将会很好地与正确的超参数合作。然而，选择和调整的算法上看不见的数据训练需要显著量的实验。
3、稳健性：如果该模型中，成本函数和学习算法，适当地选择所得到的神经网络可以是非常健壮的。有了正确的实施，人工神经网络，可以自然地应用于在线学习和大型数据集的应用程序。其简单的实现和表现在结构上主要依赖本地的存在，使得在硬件快速，并行实现。
参考资料来源：
3、神经网络中学习率、批处理样本数量、迭代次数有什么意义和影响？
学习率是指每次训练过程中（迭代）变量改变（更新）的比率，例如x(t+1) = x(t) - a * delta
其中a可以看出学习率，一般在0 - 1之间，相当于步长，而delta相当于方向。
批处理样本数量，标准的BP是单样本学习的方法，例如图片识别，第一个图是猫，然后输入图像，网络学习一次（变量更新一次），学习到图片的特征，然后再输入第二个图片狗，在前面的基础上再学习。 而批训练，就是说两个图片一起输入后，计算两个样本学习的平均的误差（Loss）, 从整体上来学习整个训练样本集合，这样的学习对于大样本数据更加有效率。
迭代次数就是学习的次数了，每次迭代就是向最优点前进的一小步，神经网络要学习到样本的特征，那就要一步一步地走，走了很多步才能到达符合精度地地点，所以需要学习很多次。
4、BP神经网络每次训练结果不一样是怎么回事？
因为初始权值和阈值是随机产生的。
神经网络每次结果不同是因为初始化的权值和阈值是随机的,因为每次的结果不一样，才有可能找到比较理想的结果,找到比较好的结果后，用命令save filename net;保存网络，可使预测的结果不会变化，调用时用命令load filename net;
优劣势：
BP神经网络无论在网络理论还是在性能方面已比较成熟。其突出优点就是具有很强的非线性映射能力和柔性的网络结构。网络的中间层数、各层的神经元个数可根据具体情况任意设定，并且随着结构的差异其性能也有所不同。但是BP神经网络也存在以下的一些主要缺陷。
①学习速度慢，即使是一个简单的问题，一般也需要几百次甚至上千次的学习才能收敛。
②容易陷入局部极小值。
③网络层数、神经元个数的选择没有相应的理论指导。
④网络推广能力有限。
对于上述问题，目前已经有了许多改进措施，研究最多的就是如何加速网络的收敛速度和尽量避免陷入局部极小值的问题。
5、求助，神经网络分类器的训练问题
给你介绍一种方法吧:使用9个BP网络，每个BP网络对应一个分类器，用来判断一类问题。BP网络结构:每个BP网络输入层4个节点，隐含层n个(具体个数自己定)，输出层1个节点。首先制作D类分类器--一个BP网络，当输入样本为D类样本时，BP网络的目标输出则为1，否则为0。使用者25组数据训练BP网络1之后，就可以作为D类样本分类器了。然后，依次类推分别制作EFGHIJKL分类器。使用时，一个新的输入到来时，依次输入给这几个分类器，假若结果是:0.1 ，0.12，0.85,0.08,0.2,0.4,0.5,0.21,0.06，显然，新的样本属于F类。每个神经网络的训练算法，低级的有梯度法，高级的有拟牛顿法、共轭梯度法，LM法
6、重复利用神经网络时需要多次训练吗
训练得到拟合程度高的网络，测试样本的准确率未必高。一个好的网络应该具有很好的泛化能力。 可以这样理解，训练是根据你输入的数据通过修正权值来减小误差得到网络模型，测试是用另外的数据去测试网络的性能。