我目前正在使用Encog 3.3（Java实现）来训练一个2^N-10-10-2的MLP网络，分别使用BPROP和RPROP（在两个不同的场景中）。

我已经将数据集分为40/20/40（训练/验证/测试）的随机子集。

由于我有验证集，我可以将Encog的EarlyStoppingStrategy添加到我的训练中。

我对如何设置这三个参数有些困惑：

• theStripLength（当前设置为trainingSet.size()）
• theAlpha（当前设置为1）
• theMinEfficiency（当前设置为0.01）

方法经常在局部最小值处卡住。

训练方法配置如下：

// 配置学习规则（反向传播）Backpropagation train = new Backpropagation(network, trainingSet, 1e-6, 0.9);           // 配置训练策略EarlyStoppingStrategy early = new EarlyStoppingStrategy(validationSet, trainingSet, trainingSet.size(), 1, 0.01);train.addStrategy(early);

设置这些参数是否有适当/推荐的方法？

回答：

如果你的训练在局部最小值处卡住，我认为问题不在于EarlyStoppingStrategy。相反，你的问题与反向传播算法的动量有关。

EarlyStoppingStrategy会在交叉验证误差增加时停止训练，这是你不希望发生的，因为随着训练误差的减少，这意味着你在“过度训练”。然而，EarlyStoppingStrategy与降低训练过程的全局训练误差无关。

为反向传播算法设置“学习率”和动量是非常困难的。

我建议你首先尝试使用ResilientPropagation算法，因为它更易于使用，并且不需要你设置这些参数。你也可以考虑使用QuickPropagation训练算法。

如果这不是一个选项，那么我建议你使用反向传播的“智能动量”，如下所示：

Backpropagation train = new Backpropagation(network, trainingSet);   train.addStrategy(new SmartMomentum());

SmartMomentum使用前一次训练迭代的误差梯度以及当前训练迭代的误差梯度来帮助训练过程避免局部最小值。

如果你仍然无法将全局误差降低到所需水平，你还可以尝试添加SmartLearningRate策略，在这里找到。