我在用
net = newfit(in,out,lag(j),{'tansig','tansig'}); 生成一个新的神经网络。 validation checks次数的默认值为6 。
我正在训练很多网络，这需要很多时间。我想我的结果是否可以准确地提高一点，这并不重要。
我怎样才能更快地训练？
- 我相信一种方法可能是减少验证检查次数的价值。我该怎么做（在代码中，不使用GUI）
- 还有其他提高速度的方法。
正如我所说，速度的提高可能会稍微降低精度。
回答：
根据
文档 ，仅是扩展
@mtrw答案，当发生以下任何一种情况时，培训就会停止：
- 到达时期的最大数量： net.trainParam.epochs
- 超过了最大时间 ： net.trainParam.time
- 性能被最小化的目标 ： net.trainParam.goal
- 性能梯度低于min_grad ： net.trainParam.min_grad
- mu超过mu_max ： net.trainParam.mu_max
- 自上次降低验证效率以来（使用验证时），验证性能提高了超过max_fail次： net.trainParam.max_fail
时代和
时间的限制可以使训练的持续时间达到上限。
当性能（错误）下降到
目标约束以下时，
目标约束将停止训练，并且通常可以让您调整时间/精度的权衡程度：较不精确的结果可以更快地执行。
这类似于
min_grad （梯度告诉您“下降”的强度），因为如果梯度的大小小于mingrad，则训练会停止。通过以下事实可以理解，如果误差函数变化不大，那么我们将达到一个平稳状态，我们可能应该停止训练，因为我们的改进不会太大。
mu ，
mu_dec和
mu_max用于控制权重更新过程（反向传播）。
max_fail通常用于避免过度拟合，而不是为了加速。
我的建议是，将
时间和
纪元设置为您的应用程序限制所允许的最大可能
时间 （否则结果将很差）。然后，您可以控制
目标和
min_grad以达到所需的速度/精度权衡。请记住，
max_fails不会使您
有所收获，因为它主要用于确保良好的泛化能力。
更多&回答...