我的问题关于神经网络的训练。我已经搜索过这个问题，但没有找到好的解释。

首先，如何计算均方误差？（我知道这听起来很傻，但我真的不明白）

其次：当神经网络进行训练时，我们输入一个训练集，其中包含许多对（输入及其期望输出）。那么，我们应该在什么时候计算均方误差？是当我们已经处理完所有对时，还是对每对都计算？

如果是对每对计算，那么在处理完训练集中的所有对之前，误差可能已经达到最小期望误差。

第三：epoch值是随着训练集的一次循环增加，还是在处理每对（输入和期望输出）时增加？（我知道这听起来也很傻，但请包涵）

非常感谢

回答：

我的问题关于神经网络的训练。我已经搜索过这个问题，但没有找到好的解释。

网络和文献中有很多好的解释，一个这样的例子可能是Haykin的书：《神经网络与学习机器》

首先，如何计算均方误差？（我知道这听起来很傻，但我真的不明白）

用最简单的术语来说，均方误差定义为

sum_i 1/n (desired_output(i) - model_output(i))^2

所以你只需计算错误（你的输出与期望输出之间的差异）的平方的平均值。

那么，我们应该在什么时候计算均方误差？是当我们已经处理完所有对时，还是对每对都计算？

两种方法都使用，一种称为批量学习，另一种是在线学习。所以所有后续问题都有一个答案：“两者都正确，取决于你是使用批量还是在线学习”。选择哪一种？显然——这取决于具体情况，但为了简单起见，我建议从批量学习开始（所以你计算所有训练样本的误差，然后进行更新）。