我一直在探索通过神经网络进行图像识别。经过一些研究后，我开始使用Encog及其“ImageNeuralNetwork.java”示例进行尝试。

在他们的示例中，他们使用每种美国货币硬币（如一分钱、十分钱等）的一张图片作为训练集，然后相应地识别给定的硬币图片。

现在，我想以他们的示例为起点，尝试使用不同的图像进行练习。我试图使用形状/颜色作为训练。例如，我希望程序能够识别红色圆形和红色矩形之间的区别，同时也能够识别红色圆形和蓝色圆形之间的区别。

我记得读到过不应该过度训练并提供所有可能的训练图像组合（如在这个案例中提供4张图片，分别是2个不同颜色的圆形和2个不同颜色的矩形）。

我是否仍然可以使用Encog的硬币识别示例来训练多个类别（形状和颜色），还是这是一个不同的概念？在不提供所有可能的颜色/形状组合从而避免过度训练的情况下，有没有一个特定的最低训练图像数量？

回答：

在避免过度训练方面，没有可靠的经验法则。这完全取决于你的网络结构和数据特征。大多数构建神经网络的人通过试错来管理过度训练（或过度拟合）的问题。只要你的网络在训练数据上的分类准确率很高，而在测试数据上的准确率很低，你就是在过度训练，你需要减少训练迭代次数，重新构建网络，并不断重复这一过程。因此，回答你的第二个问题时，没有特定的最低图像数量要求。

至于你的第一个问题，你当然可以训练多个类别，并且有几种方法可以做到这一点……要么为每个类别设置多个输出神经元，要么使用编码输出……但最常见的是为每个类别使用一个单独的网络效果更好。此外，对于颜色或形状识别，主成分分析在大多数情况下比神经网络效果更好。